テキストから物理図を生成するには、物理法則への厳密な準拠が求められる。しかし、現在の生成モデルは視覚的に妥当な出力を生成するものの、力ベクトルを系統的に幻覚し、保存則を無視し、幾何学的制約に違反する。この問題を解決するため、PhyDrawGenと呼ばれるニューロシンボリックパイプラインが提案された。これは、意味的シーン理解と物理的制約の充足を分離することで、生成される図がテキスト記述と物理法則の両方に適合することを保証する。
PhyDrawGenのワークフローは主に3つのステップで構成される。まず、大規模言語モデルが問題文から型付きシーングラフを抽出し、物体、属性、およびそれらの関係を捉える。次に、決定論的ソルバーがこのシーングラフを平面直線グラフ（PSLG）に変換し、力の釣り合い、光路、場のトポロジーを正確な幾何プリミティブとしてエンコードする。このステップにより、物理的制約が計算可能な幾何条件に変換され、生成モデルに共通する物理的エラーを回避できる。最後に、微調整されたQwen-VLモデルが視覚的に接地された提案・検証ループを実行し、制約違反を反復的に修正して、最終的な図が視覚的にも物理的にも正確であることを保証する。
PhyDrawGenの性能を評価するため、研究チームは力学、光学、電磁気学など複数の物理分野にわたる1,449問を含むベンチマークを構築した。実験結果は、PhyDrawGenがGPT-5-image、Gemini 2.5 Flash、Gemini 3 Proを含む既存の最先端モデルよりも物理的精度で大幅に優れていることを示している。特に、異常な物体を含む問題でも堅牢な物理的精度を発揮しており、この手法の汎化能力と複雑なシナリオへの適応能力が証明されている。
本論文はEMNLP 2026に投稿され、9つの図と7つの表を含んでいる。PhyDrawGenの提案は、自然言語からの物理図生成に新たな方向性を開くものであり、ニューラルモデルとシンボリックソルバーの利点を組み合わせることで、生成モデルの物理的精度における根本的な欠陥を効果的に解決している。将来的には、教育、研究、工学などの分野で高品質な物理図を自動生成する応用が期待される。