PhyDrawGen: przełomowy system generowania diagramów fizycznych z tekstu

Naukowcy z Bangladeszu opracowali PhyDrawGen — przełomowy system generowania diagramów fizycznych z opisu tekstowego, który skutecznie rozwiązuje problem halucynacji i naruszania praw fizyki przez obecne modele AI. Badania opublikowane w arXiv pokazują znaczącą przewagę nad modelami GPT-5-image, Gemini 2.5 Flash i Gemini 3 Pro.

Kluczowe wnioski

• PhyDrawGen wykorzystuje neuro-symboliczny pipeline, który oddziela rozumienie sceny od przestrzegania ograniczeń fizycznych.
• System składa się z trzech etapów: ekstrakcja grafu sceny przez LLM, konwersja do Planar Straight-Line Graph przez deterministyczny solver i wizualna weryfikacja przez dostrojony model Qwen-VL.
• Testy na benchmark'u 1449 problemów z mechaniki, optyki i elektromagnetyki wykazały znaczącą przewagę nad konkurencyjnymi modelami.
• Metoda skutecznie koduje równowagę sił, ścieżki optyczne i topologie pól jako dokładne prymitywy geometryczne.
• System wykazuje odporność na nietypowe obiekty i problemy, zachowując fizyczną dokładność.

Przełom w generowaniu diagramów fizycznych

PhyDrawGen wprowadza nowatorskie podejście do długotrwałego problemu generowania precyzyjnych diagramów fizycznych. Podczas gdy obecne modele generatywne tworzą wizualnie przekonujące rezultaty, systematycznie „halucynują” wektory sił, ignorują prawa zachowania i naruszają ograniczenia geometryczne.

Autorzy badania — Nafiul Haque, Syed Nazmus Sakib i Shifat E Arman — zaprojektowali system, który dzieli proces na trzy odrębne etapy. Pierwszy wykorzystuje duży model językowy do wyodrębnienia typowanego grafu sceny z tekstu problemu. Następnie deterministyczny solver konwertuje ten graf do Planar Straight-Line Graph (PSLG), kodując równowagę sił, ścieżki optyczne i topologie pól jako dokładne prymitywy geometryczne.

Wizualna weryfikacja i iteracyjne poprawianie

Finalny etap wykorzystuje dostrojony model Qwen-VL, który implementuje wizualnie ugruntowaną pętlę propose-verify do iteracyjnego korygowania wszelkich naruszeń ograniczeń. To podejście pozwala systemowi zachować wysoką dokładność fizyczną nawet w przypadku nietypowych obiektów i złożonych scenariuszy.

Badacze przeprowadzili kompleksową ewaluację na benchmark'u zawierającym 1449 problemów obejmujących mechanikę, optykę i elektromagnetyzm. Wyniki pokazały znaczącą przewagę PhyDrawGen nad najnowszymi modelami komercyjnymi, w tym GPT-5-image, Gemini 2.5 Flash i Gemini 3 Pro.

Praca została złożona do przeglądu na konferencję EMNLP 2026 i reprezentuje istotny postęp w kierunku generowania diagramów naukowych zgodnych z prawami fizyki, co może mieć szerokie zastosowanie w edukacji i badaniach naukowych.