Learning Physical Systems: Symplectification via Gauge Fixing in Dirac Structures

Die Arbeit stellt Presymplectification Networks (PSNs) vor, ein neuartiges Framework, das durch die Einbettung dissipativer, durch Dirac-Strukturen beschriebener mechanischer Systeme in einen höherdimensionalen Mannigfaltigkeit und die anschließende Vorhersage mit symplektischen Netzen (SympNets) erstmals eine strukturerhaltende, datengetriebene Modellierung komplexer Mehrkörpersysteme wie des ANYmal-Roboters ermöglicht.

Das Wesentliche

Hier ist eine einfache Erklärung der Forschung, als würde man sie einem Freund beim Kaffee erzählen – ohne komplizierte Mathematik, aber mit ein paar guten Bildern.

Das große Problem: Wenn die Physik "hakt"

Stell dir vor, du möchtest einen Roboterhund (wie den ANYmal aus dem Papier) programmieren, damit er lernt, über Hindernisse zu laufen. Normalerweise funktionieren solche Lernsysteme sehr gut, wenn sie die Gesetze der Physik kennen: Energie bleibt erhalten, Impuls bleibt erhalten. Das ist wie ein perfekter, reibungsloser Tanz auf einer glatten Eisbahn.

Aber echte Roboter haben ein Problem: Sie berühren den Boden. Ihre Füße stoßen auf den Boden, bleiben hängen oder gleiten. Das ist wie ein Tanz, bei dem die Tänzer plötzlich aneinander hängen bleiben, stolpern oder sich gegenseitig festhalten.

In der Physik nennt man das holonome Zwangsbedingungen. Wenn ein Roboterfuß den Boden berührt, "verliert" das System seine perfekte mathematische Struktur. Die Energie scheint zu verschwinden (Dissipation), und die Vorhersagen des Computers werden instabil. Der Roboter "vergisst" plötzlich, wie er laufen soll, oder simuliert, dass er durch den Boden fällt.

Bisherige KI-Modelle versuchen, dieses Problem mit "weichen" Strafen zu lösen (wie eine unsichtbare Feder, die den Fuß zurückdrückt), aber das ist nie perfekt. Es ist, als würde man versuchen, einen kaputten Motor mit Klebeband zu reparieren.

Die Lösung: Ein neuer Raum für den Tanz

Die Autoren dieses Papiers haben eine geniale Idee: Wir ändern nicht den Roboter, wir ändern den Raum, in dem er tanzt.

Stell dir vor, der Roboter läuft eigentlich in einer flachen Ebene (unserer normalen Welt), aber weil er stolpert, wird die Ebene uneben. Die Autoren sagen: "Okay, statt den Roboter zu zwingen, auf der unebenen Ebene zu laufen, bauen wir eine 3D-Rampe oder einen Aufzug."

Sie nennen das Presymplectification (eine fancy Art zu sagen: "Wir machen das System wieder symmetrisch und perfekt").

Hier ist die Analogie:

1. Der alte Raum (Problem): Der Roboter läuft auf einer Ebene, die plötzlich Löcher hat (die Kontaktpunkte mit dem Boden). Die Gesetze der Physik brechen hier zusammen.
2. Der neue Raum (Die Lösung): Wir heben den Roboter in eine höhere Dimension. Wir fügen unscheinbare "Geister-Kräfte" und "Geister-Zeiten" hinzu.
   • Wir fügen eine Uhr hinzu (eine neue Koordinate), die zählt, wie lange der Kontakt dauert.
   • Wir fügen unsichtbare Kräfte hinzu, die genau das Gewicht des Kontakts ausgleichen.

In diesem neuen, höheren Raum gibt es keine Löcher mehr! Der Tanz ist wieder perfekt glatt. Die Energie wird nicht mehr "verloren", sondern nur in diese neuen, unsichtbaren Dimensionen verschoben.

Wie funktioniert die KI? (Das "Dirac-Lift")

Die KI in diesem Papier macht zwei Dinge, die wie ein Team arbeiten:

1. Der Übersetzer (Presymplectification Network):
   Dieser Teil der KI schaut sich den Roboter an, wenn er stolpert. Er denkt: "Aha, der Fuß ist am Boden. Ich muss jetzt sofort einen 'Geister-Impuls' und eine 'Geister-Uhr' hinzufügen, damit die Mathematik wieder funktioniert."
   Er übersetzt die chaotische Realität in den perfekten, glatten Raum. Er sagt quasi: "Wir sind nicht mehr im Chaos, wir sind jetzt im perfekten 3D-Raum."

2. Der Vorhersager (SympNet):
   Sobald der Roboter in diesem perfekten Raum ist, nutzt die KI ein spezielles Werkzeug (ein "Symplektisches Netz"), um die nächsten Schritte vorherzusagen. Da der Raum jetzt perfekt ist, kann die KI die Bewegung extrem genau berechnen, ohne dass die Energie "verpufft". Sie sagt voraus, wo der Roboter in der nächsten Sekunde sein wird.

Am Ende übersetzt die KI das Ergebnis wieder zurück in die normale Welt, damit wir sehen, wie der Roboter läuft.

Warum ist das cool?

• Es ist wie ein Zaubertrick: Die KI lernt nicht nur, wie der Roboter läuft, sondern sie lernt auch, wo die Regeln der Physik brechen und wie man sie durch eine höhere Dimension repariert.
• Es funktioniert bei echten Robotern: Sie haben es an einem echten Vierbeiner-Roboter getestet. Das Ergebnis? Die Vorhersagen der KI decken sich fast perfekt mit der Realität (siehe die grünen und gelben Linien in den Diagrammen im Papier). Der Roboter läuft stabil, auch wenn er stolpert.
• Die Zukunft: Das ist der erste Schritt, um KI-Modelle zu bauen, die nicht nur Daten auswendig lernen, sondern die tiefe, mathematische Struktur der Physik verstehen – selbst wenn die Dinge chaotisch werden.

Zusammengefasst:
Statt zu versuchen, einen kaputten Tanz auf einem kaputten Boden zu reparieren, bauen die Autoren eine neue, perfekte Bühne in einer höheren Dimension, auf der der Tanz wieder perfekt funktioniert. Die KI lernt, den Roboter auf diese Bühne zu heben, den Tanz vorherzusagen und ihn dann wieder zurückzubringen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Learning Physical Systems: Symplectification via Gauge Fixing in Dirac Structures" auf Deutsch:

Titel: Lernen physikalischer Systeme: Symplektifizierung durch Eichfixierung in Dirac-Strukturen

Autoren: Aristotelis Papatheodorou, Pranav Vaidhyanathan, Natalia Ares, Ioannis Havoutis (Universität Oxford)

---

1. Problemstellung

Physik-informiertes Deep Learning (Physics-Informed Deep Learning) hat durch die Einbettung geometrischer Prioritäten (wie Hamilton-Symmetrien und Variationsprinzipien) in neuronale Netze große Fortschritte erzielt. Modelle wie Hamiltonsche Neuronale Netze (HNNs) oder Symplektische Netze (SympNets) können Energie und Impuls erhalten und generalisieren hervorragend über den Trainingsbereich hinaus.

Das zentrale Problem: Diese Methoden basieren auf der kanonischen symplektischen Form $\omega = dq \wedge dp$, die auf dem Kotangentialbündel $T^*Q$ definiert ist und nicht-entartet (nicht-degeneriert) sein muss. Viele reale mechanische Systeme, insbesondere in der robotischen Fortbewegung (z. B. Beine von Laufrobotern), weisen jedoch dissipative Kräfte und holonome Zwangsbedingungen (z. B. Fuß-Boden-Kontakte, geschlossene kinematische Ketten) auf.

• In diesen Systemen wird die symplektische Form entartet (degeneriert).
• Dies führt dazu, dass Invarianten (Energie, Impuls) nicht mehr geschützt sind.
• Herkömmliche physik-informierte Modelle leiden unter Energie-Explosionen, Drift der Zwangsbedingungen und brüchiger Generalisierung.
• Weiche Strafterme (Soft-Penalty-Methoden) können diese Probleme nur mildern, aber nicht eliminieren.

2. Methodik: Presymplectification Networks (PSNs)

Die Autoren schlagen einen neuen Ansatz vor, der auf der mathematischen Theorie der Dirac-Strukturen und der Symplektifizierung basiert. Das Ziel ist es, ein entartetes System in einen höherdimensionalen, nicht-entarteten Raum zu heben („Lift"), um die geometrische Struktur für symplektisches Lernen wiederherzustellen.

A. Theoretischer Rahmen: Dirac-Lift

Anstatt die Degeneration zu ignorieren, wird das System auf eine erweiterte Mannigfaltigkeit $T^*\tilde{Q}$ gehoben. Dies geschieht durch das Hinzufügen von Hilfskoordinaten:

1. Eine Uhren-Koordinate $q_0 = t$ mit konjugiertem Impuls $p_0$.
2. Lagrange-Multiplikatoren $\lambda_a$ für die Zwangsbedingungen mit ihren konjugierten Impulsen $\pi_a$.

Auf diesem erweiterten Raum existiert eine kanonische, nicht-entartete symplektische Form $\tilde{\Omega}$. Die ursprünglichen Zwangsbedingungen werden durch eine Dirac-Eichung (Gauge Fixing) wiederhergestellt:

• $q_0 = t$
• $p_0 + H + \lambda_a \phi_a = 0$
• $\pi_a = 0$

Dieser Prozess wandelt die Degeneration in zusätzliche Koordinaten um und stellt die geometrische Basis für strukturerhaltende Netze wieder her.

B. Architektur des PSN (Presymplectification Network)

Das Framework besteht aus zwei Hauptkomponenten:

1. Encoder (Lift Learning):

   • Ein rekurrentes Netzwerk (basierend auf GRUs - Gated Recurrent Units) lernt die Abbildung $\Psi_\theta$ vom physikalischen Zustand $(q, p)$ in den erweiterten Zustand $(Q, P) = (t, q, \lambda, p_0, p, \pi)$.
   • Trainingsziel (Flow Matching): Da die exakten Kontaktkräfte oder die erweiterte Hamilton-Funktion oft unbekannt sind, wird ein Flow-Matching-Verlust verwendet. Das Netzwerk lernt, die Geschwindigkeitsfelder so zu projizieren, dass sie mit den Daten übereinstimmen, nachdem sie zurück auf den physikalischen Raum projiziert wurden.
   • Es wird eine implizite Midpoint-Layer verwendet, um die Integration kontinuierlicher Zeitströme zu gewährleisten.

2. Dynamik-Vorhersage (SympNet):

   • Nach dem Training des Encoders wird ein leichtgewichtiges Symplectic Network (SympNet) angehängt.
   • Dieses Netz führt die Vorhersage im erweiterten Raum durch. Da der Raum symplektisch ist, garantiert das SympNet die Erhaltung der symplektischen Struktur ($\Phi^* \tilde{\Omega} = \tilde{\Omega}$).
   • Die Vorhersage erfolgt schrittweise (einen Zeitschritt $\Delta t$), wobei die Zwangsbedingungen und Lagrange-Multiplikatoren explizit mitgeführt werden.

3. Schlüsselergebnisse

Die Methode wurde am ANYmal-Quadruped-Roboter getestet, einem komplexen, mehrkörperbasierten System mit vielen Kontakten und nicht-holonomen Einschränkungen.

• Präzision der Impuls-Vorhersage: Das PSN konnte den konjugierten Impuls $p_0$ (der Dissipation und Energiezufuhr repräsentiert) extrem genau vorhersagen (siehe Abb. 2 im Paper). Der Fehler war minimal.
• Dynamik-Vorhersage: Die Vorhersage der Trajektorien (Position, Winkel, Impulse) des Roboters zeigte eine fast perfekte Überlappung zwischen den tatsächlichen Simulationsdaten und den Modellvorhersagen (siehe Abb. 3).
• Strukturerhaltung: Das Modell hielt Energie, Impuls und die holonomen Zwangsbedingungen (Kontaktbedingungen) über lange Zeiträume stabil, ohne dass es zu Drift oder Instabilitäten kam.
• Interpretierbarkeit: Die gelernten Variablen im erweiterten Raum haben physikalische Bedeutung: $p_0$ entspricht nicht-konservativen Energieanteilen, während $\pi$ und $\lambda$ direkt mit den Kontaktkräften und Zwangsbedingungen korrelieren.

4. Bedeutung und Beiträge

Dieses Paper leistet einen fundamentalen Beitrag zur Schnittstelle von geometrischer Mechanik und Deep Learning:

1. Erster Ansatz für Zwangsbedingungen: Es ist das erste Framework, das den „Symplektifizierungs-Lift" (die Hebung in einen konservativen Raum) direkt aus Daten lernt, um dissipative und zwangsbehaftete Systeme zu modellieren.
2. Überwindung der Degeneration: Es löst das langjährige Problem, dass symplektische Lernverfahren bei Kontakten und Zwangsbedingungen versagen, indem es die Degeneration durch zusätzliche Dimensionen kompensiert.
3. Brücke zwischen Prinzipien und Daten: Die Methode verbindet die Strenge der ersten Prinzipien (Dirac-Strukturen, Eichfixierung) mit der Anpassungsfähigkeit datengetriebener Modelle.
4. Anwendbarkeit: Die erfolgreiche Anwendung auf einen komplexen Quadruped-Roboter zeigt, dass dieser Ansatz für reale, kontaktreiche Robotikanwendungen skalierbar ist.

5. Ausblick (Future Work)

Die Autoren planen, die Methode weiterzuentwickeln durch:

• Vollständig symplektisches Flow-Matching direkt im erweiterten Raum.
• Multi-Schritt-Vorhersagen (statt nur eines Zeitschritts) mittels symplektischer Transformer oder rekurrenter SympNets.
• Skalierung auf modulare Manipulatoren und Schwärme von Robotern mit sich ändernden Kontakttopologien.

Fazit: Die vorgestellten Presymplectification Networks (PSNs) ermöglichen es, komplexe, dissipative und zwangsbehaftete mechanische Systeme durch eine datengetriebene Hebung in einen konservativen Raum zu lernen, wodurch die Stabilität und Genauigkeit von physik-informierten Modellen in der Robotik signifikant gesteigert wird.