精选今天0 投票
PhyDrawGen：让AI生成符合物理定律的示意图
生成物理示意图是AI领域的一项挑战：模型不仅要画出“看起来像”的图，还必须严格遵循力学、光学和电磁学中的物理定律。现有生成模型（如GPT-5-image、Gemini 2.5 Flash等）虽然能输出视觉上合理的图像，却经常在力矢量方向上“幻觉”、忽略守恒定律、甚至违反几何约束。针对这一痛点，来自孟加拉国和美国的联合团队提出了 PhyDrawGen——一种神经符号管道，将语义理解与物理约束解耦，在1,449道物理题基准上显著超越当前最强多模态模型。
核心思路：先理解语义，再严格求解
PhyDrawGen的工作流分为三个步骤：
- 场景图提取：首先由大语言模型（LLM）从自然语言问题中抽取出一个带类型的场景图。该图描述物体、属性及其关系，但暂不涉及精确几何。
- 确定性求解：一个基于规则的求解器将场景图转换为平面直线图。这一阶段编码了力平衡、光路和场拓扑等物理规则，所有几何基元都精确满足守恒律与约束条件。
- 视觉验证循环：最后，微调的Qwen-VL模型执行“提出-验证”迭代，检测并修正任何残留的约束违规，确保输出图在视觉上准确无误。
性能表现：碾压GPT-5-image与Gemini系列
研究团队在包含1,449道题的基准上进行了评估，涵盖力学、光学和电磁学三大领域。结果显示，PhyDrawGen在物理准确性上全面领先：
- 在异常物体问题（如非均匀形状、复杂力系）上，PhyDrawGen的错误率远低于GPT-5-image和Gemini 3 Pro。
- 消融实验表明，神经符号解耦是成功关键：纯端到端模型即使增加训练数据，也无法学会守恒律的硬约束。
行业意义：从“视觉合理”到“物理正确”
当前AI生成图像已能做到“以假乱真”，但在科学教育、工程仿真等场景中，物理正确性是底线。PhyDrawGen的价值在于：它证明将领域知识显式编码为符号规则，再与神经视觉模型结合，可以系统性地解决生成模型在科学领域的幻觉问题。
这种方法不仅限于物理图——任何需要严格约束的生成任务（如电路图、分子结构、建筑蓝图）都可能受益于类似的神经符号设计。
局限性及未来方向
论文指出，PhyDrawGen目前仅支持平面静态图，对于三维动态场景或涉及时间演化的物理过程，还需扩展场景图表达和求解器。此外，依赖LLM提取场景图可能引入语义错误，未来计划引入交互式纠错或多轮对话来提升鲁棒性。
论文目前正在EMNLP 2026审稿中，代码和数据集将开源。对于教育科技和AI for Science领域，这无疑是一个值得关注的技术进展。