先识别后实现：从部分观测中对潜在端口-哈密顿动力学进行对比学习
Identify then Realize: Contrastive Learning of Latent Port-Hamiltonian Dynamics from Partial Observations
精选理由
介绍从部分观测学习物理一致潜在动力学、提升复杂系统长期预测的方法。
AI 摘要
arXiv:2605.16682v2 公告类型：替换 摘要：当无法直接在观测空间中建模时，识别潜在状态表示与动力学至关重要，尤其是在部分观测和高维观测条件下。在此类情形中，表示学习与物理感知建模本质上是耦合的。我们提出 CIPHER，一种“先识别后实现”的两阶段框架，用于学习保守系统和耗散系统的潜在端口-哈密顿模型。第一阶段，对比学习教师模型联合学习编码器和 neural ODE，从观测历史中获得具有预测性的状态表示。第二阶段，学生模型通过匹配编码后的观测未来，学习可逆的非线性坐标变换和端口-哈密顿动力学。我们建立了在满足一定条件时恢复物理状态（差一个微分同胚变换）并以端口-哈密顿形式实现其动力学的充分条件。在十个干净和含噪数据集上，CIPHER 通过提升复杂系统的长时域预测性能，达到了与最先进基线方法相当或更优的表现。进一步研究表明，该方法对过度指定的潜在维度具有鲁棒性，并且通过 pH 参数化还能获得额外的预测增益。