本研究提出一种通过施加物理学相关的偏差来学习可解释的表示的方法，提高零样本泛化能力。实验证明图形网络模型可以学习到与真实力量向量相当的消息表示。该方法适用于任何由图形网络学习的未知交互定律，提供了一种解释和推断因果理论的技术。

本文介绍了MoMA机制，通过检索多个信息语料库来改善语言模型的零样本泛化能力。使用MoMA增强的T5-based retriever模型在BEIR基准测试中获得了强的零样本检索准确性。MoMA利用插入式存储器在推理时不改变其参数。