본 논문은 제한된 경험으로부터 빠른 학습과 일반화를 가능하게 하는 인간의 놀라운 능력인 물리적 추론에 대해 다룹니다. 기존 AI 모델들은 광범위한 훈련에도 불구하고, 특히 분포 외(OOD) 설정에서 유사한 일반화를 달성하는 데 어려움을 겪습니다. 이러한 한계는 관찰에서 핵심적인 물리적 원리를 추상화하지 못하기 때문입니다. 본 논문에서는 제한된 데이터로부터 물리적 동역학을 효율적으로 학습하고 일반화할 수 있는 표현을 개발하는 것을 주요 과제로 제시합니다. 이를 위해, 신경 상미분 방정식(NODE)을 확장하여 힘장 표현을 통해 복잡한 객체 상호작용을 학습하는 신경 힘장(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 과제에 대한 실험을 통해, 소수의 예제만으로 훈련된 NFF가 보이지 않는 시나리오에 대해 강력한 일반화를 달성함을 보여줍니다. 이 물리 기반 표현은 효율적인 순방향-역방향 계획 및 상호 작용적 개선을 통한 빠른 적응을 가능하게 합니다. 본 연구는 학습 시스템에 물리적 영감을 받은 표현을 통합하는 것이 인공 및 인간의 물리적 추론 능력 간의 격차를 해소하는 데 도움이 될 수 있음을 시사합니다.
