PHAST: Port-Hamiltonian Architecture for Structured Temporal Dynamics Forecasting

Resumen Técnico: PHAST

1. El Problema: Predicción de Sistemas Disipativos con Observaciones Parciales

El desafío central abordado por el artículo es la predicción a largo plazo de la dinámica de sistemas físicos reales, los cuales son inherentemente disipativos (pierden energía por fricción, resistencia eléctrica, etc.). La mayoría de los métodos existentes de aprendizaje de dinámica (como las Redes Neuronales Hamiltonianas - HNN) asumen sistemas conservativos (sin pérdida de energía), lo que limita su aplicabilidad en escenarios reales.

El problema se formaliza en un régimen de observación parcial de posición (q-only):

• Entrada: Solo se observan las posiciones generalizadas $q_t$ en tiempos discretos.
• Latencia: Los momentos $p_t$ (velocidades o corrientes conjugadas) nunca se miden directamente.
• Objetivo: Aprender un modelo estructurado que:
  1. Genere pronósticos estables a largo horizonte (sin divergencia).
  2. Recupere parámetros físicos significativos (masa, amortiguamiento, potencial) cuando la estructura física parcial es conocida.

Un problema fundamental identificado es la indeterminación (gauge freedom): sin restricciones adicionales, múltiples combinaciones de masa, potencial y amortiguamiento pueden generar trayectorias idénticas, haciendo imposible recuperar los parámetros físicos reales solo con datos de posición.

2. Metodología: Arquitectura PHAST

PHAST (Port-Hamiltonian Architecture for Structured Temporal dynamics) es un marco unificado que integra la teoría de sistemas Port-Hamiltonianos (pH) con el aprendizaje profundo.

A. Marco Port-Hamiltoniano
La dinámica se modela mediante la ecuación:
$$\dot{x} = (J - R)\nabla H(x)$$
Donde:

• $x = (q, p)$ es el estado de fase.
• $H(x) = V(q) + T(q, p)$ es la función de Hamilton (energía total), compuesta por potencial $V$ y energía cinética $T$.
• $J$ es una matriz antisimétrica que representa el intercambio de energía conservativo (estructura simpléctica).
• $R$ es una matriz simétrica semidefinida positiva ($R \succeq 0$) que representa la disipación (amortiguamiento).
• Garantía de Pasividad: Por construcción, la tasa de cambio de energía es $\dot{H} \leq 0$ (si no hay entrada externa), asegurando estabilidad inherente.

B. Descomposición del Hamiltoniano y Regímenes de Conocimiento
PHAST descompone el modelo en tres componentes: Potencial $V(q)$, Matriz de Masa $M(q)$ y Amortiguamiento $D(q)$. El artículo introduce tres regímenes de conocimiento para manejar la disponibilidad de física previa:

1. KNOWN (Conocido): $V$ y $M$ están fijos por física; solo se aprende $D$. (Ej: Pendulo con gravedad conocida).
2. PARTIAL (Parcial): La forma funcional de $V$ o $M$ es conocida, pero sus parámetros se aprenden. Se imponen límites en la fuerza del amortiguamiento para romper la indeterminación.
3. UNKNOWN (Desconocido): Todos los componentes ($V, M, D$) son redes neuronales, pero la estructura pH se mantiene para garantizar estabilidad.

C. Pipeline de Inferencia (q-only)
Dado que solo se observan posiciones, PHAST utiliza un pipeline de tres etapas:

1. Observador de Velocidad: Un TCN (Temporal Convolutional Network) causal estima la velocidad $\hat{\dot{q}}$ a partir de la historia de posiciones, corrigiendo una estimación por diferencias finitas.
2. Canonizador: Mapea $(q, \hat{\dot{q}})$ al estado de fase latente $(q, \hat{p})$. Si la masa es conocida, usa $\hat{p} = M\hat{\dot{q}}$; si no, usa una identidad aproximada.
3. Integración Estructural: El núcleo PHAST integra la dinámica hacia adelante utilizando Splitting de Strang, que alterna pasos conservativos (simplécticos) y pasos de disipación, preservando la estructura física en tiempo discreto.

D. Parametrización Eficiente
Para garantizar las propiedades matemáticas necesarias ($M \succ 0$ y $D \succeq 0$) de manera eficiente:

• Amortiguamiento: Se parametriza como una suma de rango bajo (estilo Householder): $D(q) = d_0 I + \sum \beta_i k_i k_i^\top$. Esto garantiza semidefinición positiva y permite operaciones de matriz-vector en $O(nr)$.
• Masa: Se utiliza una parametrización diagonal más rango bajo para calcular $M^{-1}p$ eficientemente usando la identidad de Woodbury.
• Límites de Amortiguamiento: Se introduce un límite superior en la fuerza total del amortiguamiento ($\sum \beta_i \leq \bar{\beta}$) para evitar que el modelo use el amortiguamiento como un "sumidero de errores" para compensar fallos en $V$ o $M$, mejorando así la identificabilidad.

3. Contribuciones Clave

1. Arquitectura Unificada: Un solo marco Port-Hamiltoniano que abarca tres regímenes de conocimiento (KNOWN, PARTIAL, UNKNOWN) mediante el intercambio de componentes.
2. Garantías de Estabilidad y Pasividad: El diseño asegura que la energía no crezca artificialmente, permitiendo pronósticos a largo horizonte estables incluso en sistemas caóticos o disipativos.
3. Identificabilidad Mejorada: Demuestran que sin restricciones (como límites de amortiguamiento o anclajes físicos), la recuperación de parámetros es imposible. PHAST introduce límites espectrales que permiten recuperar parámetros físicos reales en regímenes parciales.
4. Evaluación de Dos Ejes: Proponen separar explícitamente la métrica de estabilidad de pronóstico (MSE de rodaje) de la identificabilidad física ($R^2$ del amortiguamiento), revelando compensaciones que las métricas únicas ocultan.
5. Control Port-Hamiltoniano: Extienden el marco a control en lazo cerrado mediante controladores Energy-Casimir, demostrando que la estructura aprendida es útil para estabilización incluso con observación parcial.

4. Resultados Experimentales

El modelo se evaluó en 13 benchmarks que abarcan mecánica (péndulos, péndulo doble, carro-polo), circuitos eléctricos (RLC), termodinámica, gravedad N-cuerpos y ecología (depredador-presa).

• Estabilidad a Largo Plazo: PHAST superó consistentemente a las líneas base (GRU, S5, LinOSS, Transformers, VPT) en errores de rodaje (rollout MSE) a horizonte $H=100$. En sistemas caóticos como el péndulo doble, los modelos baselines divergían rápidamente, mientras que PHAST mantenía la coherencia de la trayectoria.
• Recuperación de Parámetros:
  • En el régimen KNOWN, PHAST recuperó el perfil de amortiguamiento dependiente de la posición con una precisión casi perfecta ($R^2 \approx 0.996$).
  • En el régimen PARTIAL, al imponer límites de amortiguamiento, logró recuperar parámetros físicos significativos, mientras que sin límites, el modelo aprendía un amortiguamiento carente de sentido físico para minimizar el error de predicción.
  • En el régimen UNKNOWN, aunque la recuperación de parámetros es inherentemente difícil, la estructura pH mantuvo la estabilidad de la simulación donde otros modelos fallaban.
• Eficiencia: Las parametrizaciones de rango bajo permiten una inferencia rápida y escalable.

5. Significado e Impacto

El trabajo PHAST es significativo porque cierra la brecha entre el aprendizaje de dinámica estructural (que a menudo ignora la disipación) y los modelos de caja negra (que carecen de garantías físicas).

• Ciencia e Ingeniería: Proporciona una herramienta robusta para modelar sistemas reales que pierden energía, crucial para robótica, simulación de materiales y sistemas de control.
• Interpretabilidad: Al separar la estabilidad del pronóstico de la recuperación de parámetros, ofrece una vía para aprender modelos que no solo predicen bien, sino que también revelan la física subyacente del sistema.
• Generalización: La capacidad de manejar sistemas no mecánicos (eléctricos, térmicos, ecológicos) bajo un mismo formalismo matemático demuestra la universalidad del enfoque Port-Hamiltoniano en el aprendizaje automático científico.

En conclusión, PHAST demuestra que incorporar estructura física (específicamente la disipación y la pasividad) es más crítico para la estabilidad a largo plazo que simplemente aumentar la capacidad del modelo, y que con las restricciones adecuadas, es posible recuperar parámetros físicos reales incluso a partir de datos de posición incompletos.