論文の概要: Decoupled Physical Modeling and Execution for Physics Reasoning

• arxiv url: http://arxiv.org/abs/2608.22126v2
• Date: Thu, 27 Aug 2026 07:01:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 14:16:51.604316
• Title: Decoupled Physical Modeling and Execution for Physics Reasoning
• Title（参考訳）: 物理推論のための非結合な物理モデリングと実行
• Abstract要約: 人間は計算を行う前にまずシステムの表現を構築することで物理にアプローチする。 そこで本研究では,物理モデリングプロセスを明確にエンコードする中間表現を蒸留する統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 29.270458416160604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics reasoning requires constructing a consistent model of the underlying physical system rather than relying solely on symbolic or formula-based manipulation. Although large language models have shown strong ability in solving math and coding problems, they still struggle with physics problems, as these problems entangle the physical modeling process with mathematical calculations. Humans approach physics by first building a representation of the system before performing calculations. Inspired by this, we introduce a unified framework that distills intermediate representations that explicitly encode the physical modeling process and adopt a two-stage post-training strategy, where supervised fine-tuning establishes structured modeling, and reinforcement learning with rubric-based feedback improves the quality of the modeling process. Experiments on multiple multimodal physics benchmarks show that our approach generally improves physical reasoning performance across different models and datasets. Across PhysReason, PhyX, and SeePhys, physical modeling outperforms GRPO by ~3% on average. showing that explicit physical modeling is an effective strategy for improving physics reasoning in small VLMs.
• Abstract（参考訳）: 物理推論は、記号や公式に基づく操作にのみ依存するのではなく、基礎となる物理系の一貫したモデルを構築する必要がある。 大規模言語モデルは数学やコーディングの問題を解く上で強力な能力を示しているが、これらの問題は物理モデリング過程を数学的計算に絡ませているため、物理問題に苦慮している。 人間は計算を行う前にまずシステムの表現を構築することで物理にアプローチする。 そこで本研究では、物理モデリングプロセスを明示的に符号化した中間表現を蒸留し、2段階のポストトレーニング戦略を採用し、微調整が構造化モデリングを確立し、ルーリックフィードバックによる強化学習により、モデリングプロセスの品質が向上する、統合されたフレームワークを提案する。 複数のマルチモーダル物理ベンチマークの実験により、我々のアプローチは一般に異なるモデルやデータセットにわたる物理的推論性能を改善することが示されている。 PhysReason、PhyX、SeeePhysの他、物理モデリングはGRPOを平均で約3%上回っている。 明示的な物理モデリングは、小さなVLMにおける物理推論を改善する効果的な戦略であることを示す。

関連論文リスト

• PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
  本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。 i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-04-30T17:53:03Z)
• PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
  物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。 本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。 このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
  論文  参考訳（メタデータ） (2026-01-16T08:40:10Z)
• FEM-Bench: A Structured Scientific Reasoning Benchmark for Evaluating Code-Generating LLMs [2.3052479658146323]
  有限要素法(FEM)および関連コードを生成するためのLCMの能力を評価するためのベンチマークであるFEM-Benchを紹介する。 これらのタスクは、その分野に存在する複雑さのごく一部を表現しながら、不可欠な数値および物理モデリングの課題を捉えている。 関数記述における最高のパフォーマンスモデルであるGemini 3 Proは、少なくとも1回は30/33タスクを、5回ごとに26/33タスクを完了した。
  論文  参考訳（メタデータ） (2025-12-23T19:40:51Z)
• LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
  ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。 現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。 経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
  論文  参考訳（メタデータ） (2025-10-13T15:19:07Z)
• PHYBench: Holistic Evaluation of Physical Perception and Reasoning in Large Language Models [33.45006997591683]
  PHYBenchは、高校から物理オリンピックの難易度まで、500の物理問題のベンチマークである。 PHYBenchはオリジナルのコンテンツを通じてデータの汚染に対処し、欠陥のあるアイテムを除去するために体系的なキュレーションパイプラインを使用する。 PHYBenchはより多くのトークンを活性化し、推論モデル間のより強力な微分を提供する。
  論文  参考訳（メタデータ） (2025-04-22T17:53:29Z)
• Automating Physics-Based Reasoning for SysML Model Validation [2.8994675888853516]
  現在のメソッドは、情報フローとコンポーネントの相互作用のチェック、一貫性の確保、システムモデリング言語(SysML)モデル内の依存関係の特定に優れています。 本稿では,形式言語やグラフィカル表現,推論アルゴリズムなど,関数表現に関する既存の研究を活用し,それらを物理ベースの検証手法に統合するアプローチを提案する。 SysMLでモデル化されたシステム上で、物理に基づく推論を行う際のモデルの実用性と有効性を説明するために、4つのケーススタディが検査された。
  論文  参考訳（メタデータ） (2025-01-30T17:24:38Z)
• Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
  物理インフォームド・機械学習は、デジタル双生児におけるモデリングとシミュレーションの一般的なアプローチとして登場した。 本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。 本手法は、物理モデルとフィードフォワード学習ブロックとから、微分可能な物理ブロックを実装する数学的演算子を統合する。
  論文  参考訳（メタデータ） (2024-11-18T11:58:20Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Self-Validated Physics-Embedding Network: A General Framework for Inverse Modelling [2.449329947677678]
  SVPEN(Self-Embedding Physics-Embedding Network)は、逆モデリングのための一般的なニューラルネットワークフレームワークである。 組込み物理フォワードモデルは、そのバリデーションに合格した任意の解が物理的に妥当であることを保証する。 非常に非線形で完全に異なる2つの応用における10以上のケーススタディが提示される。
  論文  参考訳（メタデータ） (2022-10-12T10:31:36Z)
• Physics-Guided Deep Learning for Dynamical Systems: A survey [5.733401663293044]
  伝統的な物理学に基づくモデルは解釈可能であるが、厳密な仮定に依存している。 ディープラーニングは、複雑なパターンを効率的に認識し、非線形力学をエミュレートするための新しい代替手段を提供する。 物理学に基づくモデリングと最先端のDLモデルの両方を最大限に活用して、科学的な問題を解決することを目指している。
  論文  参考訳（メタデータ） (2021-07-02T20:59:03Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。