論文の概要: Towards Physics-Faithful Generation of Scientific Diagrams
- arxiv url: http://arxiv.org/abs/2608.13112v1
- Date: Thu, 13 Aug 2026 11:40:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.505989
- Title: Towards Physics-Faithful Generation of Scientific Diagrams
- Title（参考訳）: 物理に富む科学ダイアグラムの創出に向けて
- Abstract要約: プリンシグラム(Princigram)は、物理に忠実な科学的ダイアグラム生成装置である。
物理に忠実な科学的ダイアグラム生成装置であるPrincigramについて紹介する。
- 参考スコア（独自算出の注目度）: 60.50428624576465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-image generation has reached photorealistic quality, yet state-of-the-art systems remain unreliable at producing scientific diagrams, whose value depends not on appearance but on physical faithfulness: correct force directions, valid coordinate systems, consistent thermodynamic states, and equations matching the depicted scenario. Trained on web imagery with physically shallow captions, generic models produce diagrams that look plausible but are physically wrong, harmful in education and scientific communication. We present Princigram, a physics-faithful scientific-diagram generator, and its data pipeline. Our central advance is Structured Physical Chain-of-Thought (SP-CoT): a per-subdiscipline schema that decomposes a physics diagram into an explicit multi-step reasoning chain across six subdisciplines, from scene identification through force or process analysis to governing laws and synthesis. Unlike free-form chain-of-thought, SP-CoT follows a fixed schema with strict fidelity rules that separate visually grounded facts from physically inferred reasoning and type all mathematics symbolically; it serves both as dense training supervision and, at inference, as a structured "thinking" prompt. With it we curate and structurally annotate 4.3 million physics images, of which 115,037 carry expert-level annotation, and adapt a unified multimodal backbone. We further introduce VeriphyT2IBench, whose questions are derived from each held-out diagram's own structured annotation: each diagram becomes an item-specific bank of binary questions about its objects, forces, and states, so a judge model's score decomposes into named physical facts rather than one holistic number. On the physics subset of GenExam and on VeriphyT2IBench, Princigram shows that explicit physics-structured supervision improves the physical faithfulness of generated scientific diagrams.
- Abstract（参考訳）: テキスト・トゥ・イメージ生成は、光現実的な品質に達したが、最先端のシステムは、外観ではなく物理的忠実性(正しい力の方向、有効な座標系、一貫した熱力学状態、そして描写されたシナリオに一致する方程式)に依存している科学図を作成することに信頼できないままである。
物理的に浅いキャプションを持つWebイメージに基づいて訓練されたジェネリックモデルでは、妥当に見えるが物理的に間違っているダイアグラムを生成し、教育や科学コミュニケーションに有害である。
物理に忠実な科学的ダイアグラム生成装置であるPrincigramとそのデータパイプラインについて述べる。
私たちの中心となる進歩は、Structured Physical Chain-of-Thought(SP-CoT)です。これは、物理図を6つのサブカテゴリにわたる明示的な多段階推論チェーンに分解するサブディシプリンのスキーマです。
自由形式の連鎖とは違って、SP-CoTは厳密な忠実性規則を持つ固定スキーマに従い、物理的に推論された推論から視覚的に根拠づけられた事実を分離し、すべての数学を象徴的にタイプする。
そのうち115,037個が専門家レベルのアノテーションを持ち、統一されたマルチモーダルバックボーンに適合する。
それぞれの図は対象、力、状態に関する二項質問の項目固有のバンクとなるので、判定モデルのスコアは1つの総合的な数ではなく、名前の物理的事実に分解される。
GenExam の物理学部分集合と VeriphyT2IBench において、プリンシグラムは、明示的な物理構造による監督が生成した科学図の物理的忠実性を改善することを示した。
関連論文リスト
- From Terminology to Diagrams: Visual-Instruction Generation for Scientific Diagram Understanding [0.0]
視覚言語モデル(VLM)は,自然画像を用いた視覚的質問応答において高い性能を示した。
本稿では,学術カリキュラムから派生した用語を活用することで,大規模図表基底命令データを生成するフレームワークを提案する。
SciGramは、194K以上の図と1.4Mの視覚的指示のデータセットで、生命、地球、物理科学を横断する。
論文 参考訳（メタデータ） (2026-09-01T09:07:31Z) - Physically Plausible Video Generation via Visual-Semantic Chain-of-Events Conditioning [48.21630532401797]
我々はPPVGを事象中心生成として再構成し、物理的進化を因果的に連結され、物理的に制約された事象の連鎖として表現する。
我々のフレームワークは、多様なドメインにまたがって優れた物理的妥当性を持つビデオを生成する。
論文 参考訳（メタデータ） (2026-09-01T03:35:02Z) - PhyDrawGen: Physically Grounded Diagram Generation from Natural Language [0.0]
PhyDrawGenは、物理的な制約満足度からセマンティックシーン理解を分離する、ニューロシンボリックパイプラインである。
GPT-5-image、Gemini 2.5 Flash、Gemini 3 Proをはるかに上回り、異常な物体問題でも堅牢な物理的精度を示している。
論文 参考訳（メタデータ） (2026-05-28T19:49:27Z) - The Perception-Physics Paradox: Probing Scientific Alignment with TC-Bench [30.054788656949636]
科学領域における表現学習の暗黙的な目的として科学的アライメントを導入する。
我々は、構造的同型性を通して、科学的アライメントの原則的かつ検証可能な側面を研究する。
熱帯サイクロン研究のための自動構築パイプラインを備えた,グローバルで再現可能なベンチマークデータセットであるTC-Benchをリリースする。
論文 参考訳（メタデータ） (2026-05-23T23:51:19Z) - FeynmanBench: Benchmarking Multimodal LLMs on Diagrammatic Physics Reasoning [11.098160996983417]
Feynman Benchは、Feynmanダイアグラムタスクを中心とした最初のベンチマークである。
マルチステップ図式推論のためのAIの能力を評価するように設計されている。
我々のデータベースは、標準モデルの電磁的、弱い、強い相互作用にまたがっている。
論文 参考訳（メタデータ） (2026-04-04T23:18:58Z) - ProPhy: Progressive Physical Alignment for Dynamic World Simulation [55.456455952212416]
ProPhyは、明示的な物理認識条件付けと異方性生成を可能にするプログレッシブ物理アライメントフレームワークである。
ProPhyは既存の最先端手法よりもリアルでダイナミックで物理的に一貫性のある結果が得られることを示す。
論文 参考訳（メタデータ） (2025-12-05T09:39:26Z) - Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。
視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。
常に最先端のVLMベースラインを精度と解釈性で上回る。
論文 参考訳（メタデータ） (2025-08-24T14:34:21Z) - Physics-Encoded Graph Neural Networks for Deformation Prediction under
Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。
本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。
コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文 参考訳（メタデータ） (2024-02-05T19:21:52Z) - Intrinsic Physical Concepts Discovery with Object-Centric Predictive
Models [86.25460882547581]
PHYsical Concepts Inference NEtwork (PHYCINE) は、異なる抽象レベルの物理概念を監督なしで推論するシステムである。
物理概念変数を含むオブジェクト表現は因果推論タスクの性能向上に有効であることを示す。
論文 参考訳（メタデータ） (2023-03-03T11:52:21Z) - RL-CSDia: Representation Learning of Computer Science Diagrams [25.66215925641988]
コンピュータサイエンスダイアグラム(csdia)という,図形図の新しいデータセットを構築する。
1200以上の図とオブジェクトと関係の完全なアノテーションを含んでいる。
図中の様々な表現に起因する視覚ノイズを考慮して,図形のトポロジーを導入し,位相構造を解析する。
論文 参考訳（メタデータ） (2021-03-10T07:01:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。