OMNIFLOW: 一般化された科学的推論のための物理に基づくマルチモーダルエージェント

要約: 大規模言語モデル（LLMs）は卓越した論理推論能力を示してきましたが、多くの場合、偏微分方程式（PDEs）によって支配される連続的な時空動態に苦戦し、しばしば非物理的な幻覚を生み出します。従来のアプローチは通常、コストの高い領域特化のファインチューニングに頼る傾向にあり、ドメイン間の一般化能力と解釈可能性を著しく制限します。これらのギャップを埋めるべく、ドメイン特化のパラメータ更新を要求しない凍結された多模態 LLM を基本的な物理法則に結びつけるよう設計されたニューラル-シンボリックアーキテクチャ OMNIFLOW を提案します。OMNIFLOW は、新規の \textit{意味-記号の整合} メカニズムを導入します。これは高次元の流れテンソルをトポロジカルな言語記述子へ投影し、モデルが生のピクセル値ではなく物理的構造を知覚できるようにします。さらに、動的制約注入（例：質量保存）と反復的な自己検証を組み合わせた、物理を導く思考の連鎖（PG-CoT）ワークフローを構築します。OMNIFLOW を、微視的乱流、理論的ナビエ-ストークス方程式、そして巨視的な地球規模天気予測にわたる包括的なベンチマークで評価します。経験的な結果は、OMNIFLOW がゼロショット一般化および少数ショット適応タスクで従来の深層学習ベースラインを大幅に上回ることを示しています。重要なことに、それは透明で物理的に一貫した推論レポートを提供し、ブラックボックス適合から解釈可能な科学的推論へのパラダイムシフトを示します。