🤖 machine learning

PhyCo: Learning Controllable Physical Priors for Generative Motion

إن PhyCo هو إطار عمل يوسع نماذج انتشار الفيديو بحركات قابلة للتحكم ومتسقة فيزيائياً من خلال مجموعة بيانات محاكاة ضخمة، والضبط الدقيق الخاضع للإشراف الفيزيائي باستخدام ControlNet، وتحسين المكافأة الموجه بواسطة نماذج اللغة والرؤية (VLM) لتوليد سلوكيات فيزيائية واقعية دون الحاجة إلى أجهزة محاكاة أو إعادة بناء هندسي أثناء الاستنتاج.

المؤلفون الأصليون: Sriram Narayanan, Ziyu Jiang, Srinivasa Narasimhan, Manmohan Chandraker

نُشر 2026-05-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sriram Narayanan, Ziyu Jiang, Srinivasa Narasimhan, Manmohan Chandraker

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تشاهد فيلماً تظهر فيه كرة ترتد، أو صندوق ينزلق، أو شخص يقفز على ترامبولين. في معظم الفيديوهات التي ينتجها الذكاء الاصطناعي اليوم، غالباً ما تبدو هذه الحركات "خاطئة". قد تطفو الكرة كأنها شبح، أو ترتد بطاقة خاطئة، أو تنزلق فوق الأرض كما لو كانت مصنوعة من الجليد، رغم أنه ينبغي أن تكون مطاطية. الذكاء الاصطناعي بارع جداً في جعل الأشياء "تبدو" صحيحة (الألوان، الإضاءة)، لكنه لا يفهم تماماً كيف تتحرك الأشياء وفقاً لقوانين الفيزياء.

PhyCo هو نظام جديد تم تطويره لإصلاح ذلك. فكر فيه كأنه إعطاء الذكاء الاصطناعي "ورقة غش فيزيائية" لتمكينه من إنتاج فيديوهات تتصرف فيها الأشياء تماماً كما ينبغي لها في العالم الحقيقي.

إليك كيف يعمل PhyCo، مقسماً إلى ثلاث خطوات بسيطة:

1. معسكر التدريب (مجموعة البيانات)

قبل أن يتمكن PhyCo من تعليم أي شيء للذكاء الاصطناعي، يجب أن يتعلم أولاً قواعد اللعبة نفسها. قام الباحثون بإنشاء مكتبة ضخمة من 100,000 فيديو محاكى.

التشبيه: تخيل صالة ألعاب رياضية ضخمة حيث تتدرب الروبوتات على السقوط، والقفز، والانزلاق. في هذه القاعة، يمكن للباحثين تعديل "مقابض" كل كائن. يمكنهم جعل الكرة شديدة الارتداد، أو الأرضية شديدة الانزلاق، أو الجدار شديد النعومة.
النتيجة: يشاهد الذكاء الاصطناعي هذه الفيديوهات ويتعلم أن "إذا رفعت مقبض 'الاحتكاك'، فإن الكائن سينزلق بشكل أقل" أو "إذا رفعت مقبض 'التشوه'، فإن الكائن سينضغط أكثر". هذا يخلق قاعدة بيانات ضخمة من علاقات السبب والنتيجة.

2. لوحة التحكم (ControlNet)

بمجرد أن يشاهد الذكاء الاصطناي فيديوهات التدريب، يمنحه الباحثون لوحة تحكم خاصة.

التشبيه: فكر في لعبة فيديو حيث يمكنك رسم خريطة على الشاشة لتخبر الشخصية إلى أين تذهب. مع PhyCo، يمكنك رسم "خريطة" للخصائص الفيزيائية. يمكنك تلوين بقعة على الشاشة لتقول: "هذه المنطقة لزجة" أو "هذا الكائن ثقيل".
كيف يعمل: يأخذ الذكاء الاصطناعي هذه الخرائط ويستخدمها لإنشاء الفيديو. بدلاً من مجرد التخمين حول كيفية حركة الكائن، فإنه ينظر إلى خريطتك ويقول: "حسناً، لقد أخبرتني أن الاحتكاك هنا عالٍ، لذا سأجعل الكائن ينزلق ببطء". هذا يتيح التحكم المستمر، مما يعني أنه يمكنك رفع الاحتكاك أو خفضه بسلاسة، وليس فقط تشغيله أو إيقافه.

3. المدرب الصارم (تحسين المكافأة عبر نموذج الرؤية واللغة - VLM)

حتى مع وجود لوحة التحكم، قد يرتكب الذكاء الاصطناعي بعض الأخطاء الصغيرة. ولإصلاح ذلك، أضاف الباحثون "مدرباً صارماً".

التشبيه: تخيل مدرباً يراقب فيديوهات تدريب الذكاء الاصطناعي ويوجه أسئلة محددة: "هل قفزت هذه الكرة عالياً بما يكفي؟" "هل انزلق هذا الصندوق مسافة كافية؟" إذا أجاب الذكاء الاصطناعي بشكل غير صحيح، يمنحه المدرب "عقاباً" (جزاءً رياضياً) لتصحيح سلوكه.
السحر: هذا المدرب هو نموذج رؤية ولغة (VLM). هو لا ينظر فقط إلى البكسلات؛ بل يفهم "مفهوم" الفيزياء. إنه يقرأ الفيديو ويتحقق مما إذا كانت الحركة تطابق القواعد التي وضعتها. إذا قفزت الكرة منخفضة جداً رغم أنك طلبت قفزة عالية، يخبر المدرب الذكاء الاصطناعي أن يحاول مرة أخرى. مع مرور الوقت، يتعلم الذكاء الاصطناعي كيفية إرضاء المدرب، مما يؤدي إلى إنتاج فيديوهات ليست جميلة بصرياً فحسب، بل صحيحة فيزيائياً أيضاً.

ماذا يمكن لـ PhyCo أن يفعل؟

يُظهر العمل أن PhyCo يمكنه التعامل مع ما يلي:

الاحتكاك: جعل الأشياء تنزلق بسهولة أو تلتصق بالأرض.
الارتداد (المرونة): جعل الأشياء ترتد مثل كرة مطاطية أو تسقط بثقل مثل حجر.
التشوه: جعل الأشياء اللينة تنضغط وتعود لشكلها، بينما تظل الأشياء الصلبة صلبة.
القوة: دفع الأشياء في اتجاهات محددة بقوة محددة.

الفوز الكبير

الأمر الأكثر إثارة للإعجاب هو أن PhyCo تعلم كل هذا في عالم محاكى (صالة الألعاب الرياضية)، ومع ذلك فهو يعمل بنفس الكفاءة في العالم الحقيقي. يمكنك أن تطلب منه إنشاء فيديو لشخص يقفز على ترامبولين، ورغم أنه لم يرَ ترامبولين حقيقية أثناء التدريب، إلا أنه يعرف بالضبط كيف يجب أن يتشوه الترامبولين وكيف يجب أن يقفز الشخص لأنه تعلم مبادئ الفيزياء.

باختختصار، يعلم PhyCo الذكاء الاصطناعي التوقف عن التخمين حول كيفية تحرك العالم والبدء في فهم القواعد التي تحكمه، حتى نتمكن من إنشاء فيديوهات تكون فيها الفيزياء واقعية بقدر واقعية الصور.

1. بيان المشكلة

حققت نماذج انتشار الفيديو (Video Diffusion Models) الحديثة نجاحاً ملحوظاً في توليد الأنسجة، والإضاءة، واستمرارية الحركة الواقعية. ومع ذلك، فإنها تعاني بشكل كبير من الاتساق الفيزيائي (Physical Consistency). وتشمل الأخطاء الشائعة ما يلي:

انجراف الأجسام أو سقوطها بسرعة غير واقعية تحت تأثير الجاذبية.
الاصطدامات دون ارتداد واقعي (الارتدادية/Restitution).
فشل الأجسام اللينة في التشوه وفقاً لخصائص المواد.
نقص القدرة على التحكم: على الرغم من تدريب النماذج التأسيسية على مجموعات بيانات ضخمة، إلا أنه لا يمكن التحكم فيها وتوجيهها لتوليد تنويعات محددة من الخصائص الفيزيائية (مثل تغيير الاحتكاك أو مقدار القوة) دون إعادة تدريب أو توجيه خارجي معقد.

تنقسم الحلول الحالية إلى فئتين، وكلاهما يعاني من قيود:

المحاكاة الصريحة (Explicit Simulation): الطرق التي تربط نماذج الانتشار بمحللات الفيزياء (مثل ديناميكا الأجسام الصلبة أو طريقة MPM) تتطلب استعادة الهندسة ثلاثية الأبعاد أو مواد محددة مسبقاً أثناء الاستدلال، مما يحد من قابليتها للتوسع والتعميم.
المسبقات الضمنية (Implicit Priors): الطرق التي تستخدم اللغة أو مسارات الحركة لتحسين الاتساق الدلالي، لكنها لا تقدم تحكماً مستمراً ودقيقاً في السمات الفيزيائية المتنوعة مثل التشوه، والارتدادية، والاحتكاك.

2. المنهجية

يقدم PhyCo إطار عمل يتيح تحكماً مستمراً، وقابلاً للتفسير، ومرتكزاً على الفيزياء لتوليد الفيديو دون الحاجة إلى محللات فيزيائية أو استعادة هندسية أثناء عملية الاستدلال. يتكون النهج من ثلاثة مكونات أساسية:

أ. مجموعة بيانات ضخمة مرتكزة على الفيزياء

النطاق والتنوع: أنشأ المؤلفون مجموعة بيانات تضم أكثر من 100,000 فيديو محاكاة واقعي باستخدام إطار عمل Kubric، وPyBullet (للفيزياء)، وBlender (للرندرة/التصوير).
السيناريوهات: تغطي مجموعة البيانات ستة سيناريوهات محكومة (مثل انزلاق الطوب، ارتداد الكرات، وتأثيرات الأجسام اللينة)، وتتراوح من الاصطددامات الصلبة إلى الديناميكيات القابلة للتشوه.
التعليقات التوضيحية (Annotations): على عكس مجموعات البيانات السابقة، يوفر PhyCo خرائط خصائص فيزيائية دقيقة للغاية (Pixel-perfect) لأربعة سمات رئيسية:
1. الاحتكاك ( $\mu_f$ )
2. الارتدادية ( $e$ )
3. التشوه (معاملات Neo-Hookean: $\mu, \lambda, \gamma$ )
4. القوة المسلطة (المقدار والاتجاه)
التصميم: تتميز عمليات المحاكاة بأنها نظيفة بصرياً ولكنها غنية فيزيائياً، مما يسمح للنموذج بفصل المظهر البصري عن الديناميكيات الكامنة.

ب. الضبط الدقيق الخاضع للإشراف الفيزيائي (المرحلة 1)

البنية التحتية: قام المؤلفون بضبط نموذج انتشار مدرب مسبقاً (Cosmos-Predict2-2B) باستخدام بنية ControlNet.
الاشتراط (Conditioning): عملية إزالة الضجيج (Denoising) مشروطة بخرائط خصائص فيزيائية متوافقة مكانياً ( $p$ ). يتم ترميز هذه الخرائط وإسقاطها عبر شبكة تكييف (Adapter Network) لتتوافق مع هيكل DiT (محول الانتشار).
استراتيجية التدريب: يتم ضبط طبقات ControlNet فقط؛ بينما تظل أوزان النموذج الأساسي والمُرمّز (Tokenizer) ثابتة للحفاظ على التمثيلات المدربة مسبقاً. يتم تدريب النموذج على مجموعات فرعية من البيانات حيث تظهر خصائص فيزيائية محددة في الديناميكيات.

ج. تحسين المكافأة بتوجيه من نموذج الرؤية واللغة (VLM) (المرحلة 2)

الدوافع: قد لا يضمن الضبط الدقيق الخاضع للإشراف وحده دقة تحكم عالية. لسد هذه الفجوة، يُستخدم نموذج رؤية ولغة (VLM) كإشارة مكافأة قابلة للاشتقاق.
العملية:
1. التشغيل (Rollout): بدلاً من تقييم الخطوات المتوسطة المشوشة، يقوم النموذج بعملية إزالة ضجيج لعدد $N$ من الخطوات لتوليد فيديو متوقع $\hat{x}_0$ .
2. التقييم: يقوم نموذج VLM مضبوط بدقة (Qwen2.5-VL-3B) بتحليل الفيديو المولد باستخدام "بنك أسئلة فيزيائية" منسق. الاستعلامات تكون ثنائية (نعم/لا) أو قائمة على الانحدار (على سبيل المثال: "هل مقدار القوة بين 0.2 و 0.4؟" أو "هل الحركة ضمن القطاع الأزرق؟").
3. إشارة المكافأة: يتم تحويل قيم الـ logits الخاصة بالنموذج (VLM) للإجابات الصحيحة مقابل الخاطئة إلى خسارة مكافأة قابلة للاشتقاق ( $L_{VLM}$ ).
4. التحسين: يتم ضبط ControlNet بشكل إضافي باستخدام خسارة المكافأة هذه لمواءمة الديناميكيات المولدة مع الخصائص الفيزيائية المقصودة.

3. المساهمات الرئيسية

مجموعة بيانات PhyCo: مجموعة بيانات جديدة واسعة النطاق (أكثر من 100,000 فيديو) مع تعليقات مستمرة للاحتكاك، والارتدادية، والتشوه، والقوة، مصممة لفصل المظهر البصري عن الديناميكيات الفيزيائية.
الاشتراط الفيزيائي المتحكم به: طريقة لتغذية خرائط الخصائص الفيزيائية المتوافقة مكانياً في نموذج الانتشار عبر ControlNet، مما يتيح التحكم المستمر في سمات فيزيائية متعددة في آن واحد.
المواءمة بتوجيه من VLM: مرحلة تدريب مبتكرة حيث يوفر نموذج VLM ملاحظات قابلة للاشتقاق حول الاتساق الفيزيائي، مما يحسن دقة التحكم بشكل كبير دون الحاجة إلى محللات فيزياء صريحة أثناء الاستدلال.
التعميم: يظهر الإطار قدرة قوية على التعميم التركيبي، حيث يولد حركات متسقة فيزيائياً في مشاهد واقعية أو ذات طابع فني (مثل شخص يقفز على ترامبولين)، رغم التدريب حصرياً على بيانات اصطناعية.

4. النتائج التجريبية

قيم المؤلفون PhyCo باستخدام اختبار Physics-IQ Benchmark ومن خلال دراسات التفضيل البشري.

اختبار Physics-IQ Benchmark:
- تفوق PhyCo بشكل كبير على النماذج المرجعية القوية (SVD-XT, LTX-Video, CogVideoX, VLIPP) عبر خمسة مجالات (ميكانيكا المواد الصلبة، ديناميكا السوائل، البصريات، المغناطيسية، والديناميكا الحرارية).
- النتيجة: حقق نموذج PhyCo الكامل (ControlNet + خسارة VLM) درجة IQ بلغت 43.6 (مقارنة بـ 34.6 لنموذج VLIPP و 29.7 لنموذج SG-I2V).
- التعميم: حتى عند اختباره على تسلسلات مكونة من 120 إطاراً (أطول من بيانات التدريب المكونة من 57 إطاراً)، حافظ النموذج على واقعيته الفيزيائية المتفوقة.
الدراسات البشرية (2AFC):
- في المقارنات الثنائية، فضل المقيمون البشريون PhyCo على النماذج المرجعية من حيث الواقعية الفيزيائية والقدرة على التحكم.
- أظهر PhyCo معدلات تفضيل بلغت 90.9% للاحتكاك، و 93.2% للارتدادية، و 91.3% للتشوه مقارنة بالنموذج الأساسي Cosmos.
دراسات الاستئصال (Ablation Studies):
- تأثير VLM: أدى إضافة تحسين مكافأة VLM إلى تقليل الانحراف الزاوي لاتجاه القوة من حوالي 38 درجة (باستخدام ControlNet فقط) إلى 22.5 درجة.
- اتجاه القوة: حقق PhyCo متوسط خطأ اتجاهي قدره 15.2 درجة، وهو أفضل بكثير من التوجيه عبر المطالبة النصية (40.5 درجة).
- التحكم التركيبي: نجح النموذج في التعامل مع مجموعات من السمات (مثل القوة + الاحتكاك) وعمم على أجسام وسيناريوهات غير مرئية أثناء التدريب.

5. الأهمية

يمثل PhyCo مساراً قابلاً للتوسع نحو نماذج عالم توليدية متسقة فيزيائياً. وتكمن أهميته في:

كفاءة الاستدلال: يلغي الحاجة إلى محللات فيزياء صريحة أو إعادة بناء ثلاثية الأبعاد أثناء الاستدلال، مما يجعله أسرع وأكثر مرونة من مناهج المحاكاة الهجينة.
القابلية للتفسير: من خلال استخدام خرائط خصائص فيزيائية صريحة، يكون التحكم قابلاً للتفسير ويتوافق مع المعايير القياسية للمحاكاة الفيزيائية.
القابلية للتوسع: يتعمم النهج من بيانات التدريب الاصطناعية إلى السيناريوهات الواقعية وفئات الأجسام المتنوعة، مما يشير إلى أن دمج المسبقات الفيزيائية هو استراتيجية فعالة لبناء نماذج بصرية ذكية تفهم قوانين الفيزياء.

باختصار، نجح PhyCo في سد الفجوة بين الواقعية البصرية والمعقولية الفيزيائية، مقدماً إطار عمل قابلاً للتحكم لتوليد فيديوهات تلتزم بقوانين الفيزياء من خلال التلاعب المستمر بالسمات.