- AAAI探索基于多模态推理的物理动力学失败案例
本文探讨了 LLMs 在情境环境中通过物理推理解决问题的能力。我们构建了一个简单的模拟环境,并展示了 LLMs 在无先验条件下对各种物体的原子世界知识的示例,但在对象操作和放置任务中未能将这些知识组合成正确的解决方案。我们还使用了 BLIP - 物理推理 AI 的基准测试
物理推理是开发通用人工智能系统的关键因素,本论文旨在提供现有基准的综述及其解决方法,并提出了衡量人工智能系统物理推理能力的统一观点。我们选择了设计用于测试物理推理任务中算法性能的基准。虽然每个选定的基准都提出了独特的挑战,但它们的集合为具有 - I-PHYRE:交互式物理推理
为了解决现有学习算法与人类表现之间的差距并强调增强代理人的交互式物理推理能力的重要性,我们介绍了 I-PHYRE 框架,该框架要求代理人同时展示直觉的物理推理、多步规划和原位干预,通过代表性场景的互动促进学习。
- AAAI基于物理相互作用因果序列的任务生成
在这篇论文中,我们提出了一种基于物理模拟的任务生成方法,通过定义物体之间的因果物理交互序列来定义物理场景,并使用这些场景作为输入,在物理模拟环境中生成任务。我们通过应用到愤怒的小鸟物理解谜游戏,并使用一系列指标,包括物理稳定性、预期的物理交 - NovPhy:开放环境中物理推理的测试平台
该研究旨在促进具备应对物理情境中异常情况能力的智能体的发展,通过开发一个新的测试平台 NovPhy 并在其中设计了 8 种不同类型的异常情境,并运用到 5 个常见的物理情境中,测试了人类、学习智能体和启发式智能体的表现,结果表明人类的表现远 - PushWorld:带工具和可移动障碍的操纵计划基准
本研究基于一个物理世界环境,结合机器人的智能行为,检验了当前最新的经典计划和强化学习算法。结果发现,新提出的经典计划启发式算法在效率更高的情况下,仍未能达到最优解,略低于人类的水平。
- 物理推理中的学习机制
通过比较从动力学中学习(LfD)和从直觉学习(LfI)这两种不同的学习机制,我们研究设想:动力学预测对于物理推理是否不可或缺,研究发现在物理推理问题上,LfD 和 LfI 是同等有效的,并且直接提供理想情况下的动力学比模拟近似动力学能够取得 - IJCAI关于模拟直觉物理模型的机器学习方法的调查
本文综述了基于直觉物理的深度学习方法在物理推理方面的最新进展和技术。将现有的深度学习技术分为三个方面的物理推理,并将其组织为三种一般的技术方法,提出了该领域的六个分类任务。最后,本文强调了当前领域的挑战并提出了一些未来的研究方向。
- 开放世界中的物理推理
本文研究开放世界推理,用 Prolog 实现了一个容器微世界的推理器。
- 哪些先验知识是重要的?学习潜在动态的模型基准测试
本文研究如何通过强化机器学习模型的物理先验知识来解决物理图像理解问题,提出了一种包含 17 个物理系统的数据集,对当前物理启发式机器学习方法进行了细致的对比分析,结果表明尽管这些方法通常可以学习到具有良好性质的隐藏空间,但没有显著提升标准技 - ACLPROST: 物体的时空物理推理
我们提出了一个名为 PROST 的新探测数据集,用于探索物体的物理推理。通过分析我们发现,目前最先进的预训练模型在物理推理方面仍存在局限性,这表明预训练模型对于物理交互的理解能力受到了真实世界经验的限制,因此我们希望通过强调这些局限性来促进 - AAAI层次关系推断
提出了一种将物体建模为部件层次结构的物理推理方法,它可以从原始图像中无监督地学习发现物体、部件及其关系,并在建模合成和真实世界视频方面提高了强基线表现。
- 物理推理的前向预测
研究使用基于对象或像素表现的模型来改进 PHYRE 基准测试中复杂的物理推理任务的性能,发现前向预测模型可以提高复杂任务的性能,但这种改进取决于测试任务是否是训练任务的变化,更好的像素准确性并不一定导致更好的物理推理性能。
- 学习物理模型的视觉定位
该论文提出了一种神经模型,同时基于物理学原理和视觉先验进行推理和预测,通过对粒子的估计预测物理参数,即视觉基础,并在刚体、可变形材料和流体的复杂环境中证明了它的有效性,允许模型在几次观察内推断出物理特性,从而快速适应未见过的场景并进行准确的 - PHYRE:物理推理的新基准
这篇研究论文介绍了 PHYRE 物理推理基准测试,旨在鼓励开发机器学习算法以在简单的经典力学 2D 物理环境中进行样本高效且泛化良好的推理。测试表明,现有的算法在 PHYRE 上表现不佳。希望这个基准测试能够鼓励开发出学习高效有用的物理模型 - 用神经网络发现物理概念
本研究以人类物理推理过程为模板,建立了一种神经网络架构,旨在通过表示学习的方式,使神经网络在实验数据的基础上为科学发现提供更具一般性的工具,并在玩具实例中应用该方法,得出相应结论。
- 2017 AIBIRDS 竞赛
介绍第六届 AIBIRDS 比赛,要求参赛者开发智能代理程序,能够玩物理学基础碎片游戏 Angry Birds,并使用深度强化学习等技术,描述该比赛的框架,规则,参赛代理程序和结果,探讨相关工作和未来的发展方向。
- ICLR关系神经期望极大化:无监督发现对象及其交互
本文提出一种无监督的学习方法,利用先验知识模拟人类感知的组成性质,从视觉图像中发现对象并建模它们之间的物理交互,具有优秀的计算效率和建模能力,能够处理遮挡和推广到不同数量的对象场景。