Resumen Técnico: ¿Cuándo sobreviven las leyes de conservación a las representaciones aprendidas?

Planteamiento del Problema

Los modelos de mundo modernos logran escalabilidad aprendiendo representaciones latentes y avanzando en ese espacio latente en lugar de hacerlo en el espacio de observación. Sin embargo, este cambio complica la certificación de la confianza física. Si bien las leyes de conservación (por ejemplo, la conservación de la energía) proporcionan una moneda natural para la confianza en los sistemas físicos, un modelo latente reemplaza las coordenadas físicas por otras aprendidas. En consecuencia, un modelo podría conservar perfectamente un escalar latente aprendido (un Hamiltoniano o testigo latente) mientras que la energía física real deriva significemente.

La pregunta central abordada es: ¿Cuándo permanece certificable una ley de conservación después de que un modelo aprende una representación latente? Específicamente, el artículo busca acotar, de antemano y a partir de defectos medibles del modelo, cuántos pasos un despliegue (rollout) permanece en el nivel de un invariante físico. El desafío crítico es definir qué se está certificando: no las cantidades latentes aprendidas, sino el invariante físico decodificado.

Metodología

El Objeto Certificado

El artículo fija el objeto certificado como el invariante físico decodificado, denotado como $\Psi(z) = H^*(\Pi D_\psi z)$.

• $z$: Estado latente.
• $D_\psi$: Mapeo del decodificador de latente a observación.
• $\Pi$: Mapeo de lectura (readout) de observación a coordenadas físicas $(q, p)$.
• $H^*$: El invariante físico conocido (ej. la verdadera energía mecánica).

Crucialmente, el artículo no certifica el Hamiltoniano latente aprendido $H_\theta$ ni un testigo escalar aprendido $C_\omega$ directamente. Estos son tratados como "testigos" o proxies. Un modelo puede conservar estas cantidades internas mientras el invariante físico decodificado deriva. La certificación solo es válida donde el flujo de estado y el flujo del invariante decodificado convergen en $H^*$.

Marco de Certificación

Los autores derivan "certificados de horizonte de capa" (shell-horizon certificates) que acotan el número de pasos $T$ que un despliegue permanece dentro de una tolerancia $\epsilon$ de la capa de energía. El presupuesto para este horizonte se descompone en tres fuentes de defecto distintas:

1. Defecto de Representación ($\epsilon_0$): Error de inicialización en la codificación/embedding.
2. Defecto de Lectura ($\epsilon_{\Pi, \text{num}}$): Error introducido por el mapeo del decodificador y la lectura (dominante en observaciones de píxeles).
3. Defecto de Dinámica Latente ($\delta_{\text{tube}}^{\text{phys}}$): Deriva por paso del invariante decodificado en la dinámica latente.

El horizonte se calcula como:
$$T = \left\lfloor \frac{m_{c,\rho}\epsilon - \text{defectos de inicialización}}{\text{deriva por paso}} \right\rfloor$$
donde $m_{c,\rho}$ es la sensibilidad de la capa (norma mínima del gradiente).

Puente de Alineación (Testigos Suaves)

Para utilizar un "testigo suave" aprendido (un escalar $C_\omega$ entrenado para ser conservado en el espacio latente), el artículo introduce un puente de alineación de Lipschitz controlado.

• Un testigo suave no es inherentemente la energía física. Debe ser alineado mediante una función de calibración $g_C$.
• La condición para un certificado válido es una calibración bi-Lipschitz ($0 < \kappa \le g'_C \le L_g$).
• Este puente transforma el testigo suave en un vínculo con forma de teorema hacia el invariante decodificado. El artículo demuestra que la simple monotonicidad es insuficiente; la monotonicidad no controlada (por ejemplo, la regresión isotónica) puede tener constantes de Lipschitz infinitas, colapsando el horizonte certificado a cero.

Configuración Experimental

El marco se prueba en tres sistemas conservativos: el péndulo simple, el oscilador armónico y el problema de Kepler de dos cuerpos (un sistema singular).

• Representaciones: El estudio varía la representación de entrada manteniendo fijo el objeto certificado:
  1. Estado: Se ingresan coordenadas canónicas $(q, p)$; la lectura es la identidad.
  2. Levantamiento (Lift): Observaciones de baja dimensión se codifican en un gráfico latente aprendido; la lectura es limpia.
  3. Píxel: Se ingresan imágenes de alta dimensión; un decodificador/lectura aprendida introduce un error significativo.
• Variantes del Modelo:
  • Plain: Mapa latente residual sin restricciones.
  • Hard Symplectic: Integradores latentes restringidos a ser simplécticos (Störmer–Verlet, SympNet).
  • Soft (B-self): Testigo escalar/vectorial auto-supervisado entrenado para ser invariante, alineado mediante el puente.

Resultados Clave

1. Espacio de Estado (Coordenadas Canónicas)

En coordenadas de fase conocidas, la estructura simpléctica dura es la clara ganadora.

• En el sistema de Kepler, los modelos simplécticos duros lograron certificados de invariante conjunto no vacuos en 3/3 semillas, mientras que los modelos plain lograron 0/3.
• La deriva del invariante por paso fue $\sim 7.6\times$ menor para los modelos simplécticos.
• Conclusión: Los priors duros funcionan eficazmente cuando el gráfico es conocido y coincide con la forma simpléctica física.

2. Levantamiento Aprendido (Coordenadas Latentes)

Cuando el modelo aprende un gráfico a partir de observaciones de baja dimensión, los priors simplécticos duros colapsan, mientras que los invariantes suaves sobreviven.

• Los modelos simplécticos duros (Verlet, SympNet) se volvieron estadísticamente indistinguibles de las bases plain. La restricción simpléctica preserva la forma del flujo, pero no la identidad del escalar conservado respecto a la energía física bajo un gráfico aprendido arbitrario.
• El invariante B-self suave cruzó con éxito el gráfico aprendido, logrando una relación de ganancia de estructura de $\approx 1.30$ y una tasa de victoria $P(\text{soft} > \text{plain}) = 0.88$ sobre 8 semillas.
• Conclusión: Los priors geométricos duros son sensibles a las coordenadas y no sobreviven automáticamente al aprendizaje de la representación; los invariantes suaves alineados mediante un puente bi-Lipschitz son más robustos.

3. Observaciones de Píxeles

La certificación bajo entradas de píxeles es posible pero restringida a un sub-tubo de lectura estable.

• El término del decodificador/lectura suele dominar el presupuesto de error.
• Al aplicar una "regla de lectura estable congelada" (excluyendo puntos donde el puntaje de Lipschitz de la lectura es demasiado alto), el testigo suave estabilizado recuperó certificados no vacuos.
• Resultados: 9/10 semillas fueron no vacuas (frente a 4/10 para plain), con una fracción excluida de $\le 2.3\%$.
• Conclusión: La certificación de píxeles es un problema perceptual; requiere estabilizar la lectura para encontrar un sub-tubo donde el invariante decodificado sea fiel.

4. El Límite Geométrico de Kepler

El levantamiento de Kepler reveló un límite geométrico intrínseco.

• A pesar de variar la capacidad latente y aplicar re-graficaciones métricas legales, el certificado de invariante conjunto decodificado falló ($T=0$) cerca del periapsis.
• Este fallo se atribuye a la rigidez cerca del periapsis del potencial de ley inversa, que amplifica pequeños errores de $(q, p)$.
• Conclusión: Este es un límite geométrico específico del sistema, no un fallo de la metodología de certificación de la conservación en sí misma.

Significado y Reivindicaciones

La contribución principal del artículo es un encuadre de robustez de la representación para certificados de conservación. Argumenta que:

1. El Objeto Certificado Importa: Los certificados deben adjuntarse al invariante físico decodificado, no al Hamiltoniano latente o al testigo no alineado. Un modelo puede conservar su proxy interno mientras falla físicamente.
2. Priors Duros vs. Suaves: La estructura canónica simpléctica dura es sensible a las coordenadas. Produce los horizontes más largos en coordenadas de fase conocidas, pero falla al cruzar gráficos aprendidos. Por el contrario, un invariante suave, entrenado para ser conservado en el espacio latente y alineado mediante un puente de Lipschitz controlado, sobrevive a los cambios de representación.
3. La Monotonicidad es Insuficiente: Alinear un testigo suave a la energía física requiere una calibración bi-Lipschitz. La mera monotonicidad es demasiado laxa y conduce a certificados vacuos.
4. Límites Geométricos: Los certificados alineados con la conservación pueden fallar debido a singularidades geométricas intrínsecas (ej. el periapsis de Kepler) que ningún aumento de capacidad o aprendizaje de representación puede superar.

Los autores posicionan este trabajo no como un benchmark para modelos de mundo de visión de largo horizonte, sino como un estudio metodológico sobre qué se puede certificar cuando los invariantes físicos se evalúan a través de representaciones aprendidas. Los hallazgos sugieren que, para los modelos de mundo aprendidos, uno debe certificar en coordenadas donde la forma simpléctica sea física o emparejar los priors estructurales con la alineación explícita del escalar conservado.