Imitando o Olhar do Físico: Uma Abordagem Centrada em VLM para a Descoberta de Fórmulas Físicas

Resumo

A descoberta automatizada de leis físicas a partir de dados observacionais no mundo real é um grande desafio na IA. Os métodos atuais, que dependem de regressão simbólica ou LLMs, são limitados a dados unimodais e ignoram as ricas representações fenomenológicas visuais do movimento que são indispensáveis para os físicos. Essa "privação sensorial" enfraquece severamente sua capacidade de interpretar os padrões espaço-temporais inerentes aos fenômenos dinâmicos. Para abordar essa lacuna, propomos o VIPER-R1, um modelo multimodal que realiza Indução Visual para Raciocínio de Equações Baseadas em Física para descobrir fórmulas simbólicas fundamentais. Ele integra percepção visual, dados de trajetória e raciocínio simbólico para emular o processo de descoberta científica. O modelo é treinado por meio de um currículo de Indução de Estrutura de Movimento (MSI), usando ajuste fino supervisionado para interpretar retratos de fase cinemática e construir hipóteses guiadas por uma Cadeia de Pensamento Causal (C-CoT), seguido por Calibração Simbólica Orientada por Recompensa (RGSC) para refinar a estrutura da fórmula com aprendizado por reforço. Durante a inferência, o VIPER-R1 treinado age como um agente: primeiro propõe um ansatz simbólico de alta confiança, depois invoca proativamente uma ferramenta externa de regressão simbólica para realizar Realinhamento de Resíduo Simbólico (SR^2). Essa etapa final, análoga à análise de perturbação de um físico, reconcilia o modelo teórico com os dados empíricos. Para apoiar essa pesquisa, introduzimos o PhysSymbol, um novo corpus multimodal com 5.000 instâncias. Experimentos mostram que o VIPER-R1 supera consistentemente as linhas de base VLM state-of-the-art em precisão e interpretabilidade, permitindo uma descoberta mais precisa das leis físicas. Página do projeto: https://jiaaqiliu.github.io/VIPER-R1/

English

Automated discovery of physical laws from observational data in the real world is a grand challenge in AI. Current methods, relying on symbolic regression or LLMs, are limited to uni-modal data and overlook the rich, visual phenomenological representations of motion that are indispensable to physicists. This "sensory deprivation" severely weakens their ability to interpret the inherent spatio-temporal patterns within dynamic phenomena. To address this gap, we propose VIPER-R1, a multimodal model that performs Visual Induction for Physics-based Equation Reasoning to discover fundamental symbolic formulas. It integrates visual perception, trajectory data, and symbolic reasoning to emulate the scientific discovery process. The model is trained via a curriculum of Motion Structure Induction (MSI), using supervised fine-tuning to interpret kinematic phase portraits and to construct hypotheses guided by a Causal Chain of Thought (C-CoT), followed by Reward-Guided Symbolic Calibration (RGSC) to refine the formula structure with reinforcement learning. During inference, the trained VIPER-R1 acts as an agent: it first posits a high-confidence symbolic ansatz, then proactively invokes an external symbolic regression tool to perform Symbolic Residual Realignment (SR^2). This final step, analogous to a physicist's perturbation analysis, reconciles the theoretical model with empirical data. To support this research, we introduce PhysSymbol, a new 5,000-instance multimodal corpus. Experiments show that VIPER-R1 consistently outperforms state-of-the-art VLM baselines in accuracy and interpretability, enabling more precise discovery of physical laws. Project page: https://jiaaqiliu.github.io/VIPER-R1/

Imitando o Olhar do Físico: Uma Abordagem Centrada em VLM para a Descoberta de Fórmulas Físicas

Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery

Resumo

Support