Подражание взгляду физика: VLM-ориентированный подход к обнаружению физических формул

Аннотация

Автоматизированное открытие физических законов на основе наблюдательных данных в реальном мире представляет собой одну из ключевых задач в области искусственного интеллекта. Современные методы, основанные на символьной регрессии или крупных языковых моделях (LLM), ограничиваются работой с унимодальными данными и игнорируют богатые визуальные феноменологические представления движения, которые являются неотъемлемой частью работы физиков. Такая "сенсорная депривация" существенно ослабляет их способность интерпретировать присущие динамическим явлениям пространственно-временные закономерности. Для устранения этого пробела мы предлагаем VIPER-R1 — мультимодальную модель, которая выполняет визуальную индукцию для физического уравнения (Visual Induction for Physics-based Equation Reasoning) с целью открытия фундаментальных символьных формул. Она интегрирует визуальное восприятие, данные траекторий и символьное рассуждение, чтобы имитировать процесс научного открытия. Модель обучается с использованием учебного плана индукции структуры движения (Motion Structure Induction, MSI), где применяется контролируемая тонкая настройка для интерпретации кинематических фазовых портретов и построения гипотез, направляемых причинно-следственной цепочкой рассуждений (Causal Chain of Thought, C-CoT), а затем используется калибровка символьной структуры с подкреплением (Reward-Guided Symbolic Calibration, RGSC) для уточнения структуры формулы. На этапе вывода обученная VIPER-R1 действует как агент: сначала она выдвигает символьный анзац с высокой уверенностью, а затем активно привлекает внешний инструмент символьной регрессии для выполнения символьного перевыравнивания остатков (Symbolic Residual Realignment, SR^2). Этот финальный шаг, аналогичный анализу возмущений физика, согласует теоретическую модель с эмпирическими данными. Для поддержки данного исследования мы представляем PhysSymbol — новый мультимодальный корпус, содержащий 5000 примеров. Эксперименты показывают, что VIPER-R1 стабильно превосходит современные базовые модели визуального языка (VLM) по точности и интерпретируемости, обеспечивая более точное открытие физических законов. Страница проекта: 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/

Подражание взгляду физика: VLM-ориентированный подход к обнаружению физических формул

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

Аннотация

Support