物理定律专制

来自 AI 研究立场图谱百科

物理定律专制:坚持学到的模型必须遵守已知物理定律,并且要作为硬约束写进模型,而不是指望从数据里自己学会。

主张

物理定律专制看过太多玻璃杯穿过桌子、小球无故加速的生成视频,于是立场毫不妥协:能量守恒、动量守恒、质量守恒不是”多看点视频就能大致学会”的建议,而是定律,模型就该在结构上服从。把微分方程写进 loss,把对称性做进架构,用 Hamiltonian 或 Lagrangian 来参数化动力学,模型就能在纯拟合失效的地方照样泛化。

它在 Language-World 轴上居中,因为它的定律既是在世界里观测到的,也同样写在方程和符号里;纵向在上半区、偏向 Monolith,因为它要的是一个结构上就保证守规矩的模型,而不是事后外挂一个检查器。范式等级为超级革命:它复兴了科学计算中硬性物理结构的悠久传统,不认同主流“只靠规模就能学会物理”的押注。

论据

  • physics-informed loss 和保守量不变的架构,能让模型外推到训练范围之外,所需数据也比无约束网络少得多。
  • 硬约束能保证长时间 rollout 下能量守恒之类的性质,而无约束的 learned simulator 往往会慢慢漂移。
  • 在科学和工程场景里,一个违反已知定律的模型不只是不准,而是不可信,benchmark 分数再高也没用。

批评

  • 规模派反驳:手工先验恰恰是苦涩的教训所警告的东西,大型视频模型正在隐式地学会物理。
  • 真实场景里有摩擦、接触、可变形物体和流体,控制方程要么很乱要么未知,能硬编码的部分有限。
  • physics-informed 训练往往难以优化,loss landscape 很”刚”,需要精心调参。

代表作

关系

怎样测出它

在完整版或专业版里落到这一格:x ≈ +0.33,y ≈ −0.28,范式 ≈ +0.75。

这是初稿。欢迎通过 pull request 修正或补充更好的论据。 在 GitHub 上编辑这个词条 编辑它的数据