본 논문은 제한된 경험으로부터 빠른 학습과 일반화를 가능하게 하는 인간의 놀라운 능력인 물리적 추론에 대해 다룹니다. 기존 AI 모델은 광범위한 훈련에도 불구하고, 특히 분포 외(Out-of-distribution, OOD) 설정에서 유사한 일반화를 달성하는 데 어려움을 겪습니다. 이러한 한계는 관찰에서 핵심적인 물리적 원리를 추상화하지 못하기 때문입니다. 본 논문에서는 신경 상미분 방정식(NODE)을 확장하여 힘장 표현을 통해 복잡한 객체 상호 작용을 학습하는 Neural Force Field (NFF) 프레임워크를 제시합니다. NFF는 상미분 방정식(ODE) 솔버를 통해 효율적으로 통합되어 객체 궤적을 예측할 수 있습니다. 기존의 이산 잠재 공간에 의존하는 접근 방식과 달리, NFF는 중력, 지지, 충돌과 같은 기본적인 물리적 개념을 연속적인 명시적 힘장으로 포착합니다. 세 가지 어려운 물리적 추론 작업에 대한 실험은 소수의 예제만으로 훈련된 NFF가 보이지 않는 시나리오에 대해 강력한 일반화를 달성함을 보여줍니다. 이 물리 기반 표현은 효율적인 전방-후방 계획과 상호 작용적 개선을 통한 빠른 적응을 가능하게 합니다.
