Resumen Técnico: Desbloqueando la Generalización Temporal en Modelos de Dinámica de Video Hamiltoniana

Declaración del Problema

Los modelos de mundo actuales operan predominantemente en rejillas de tiempo discreto con un tamaño de paso fijo integrado en su arquitectura. Aunque son efectivos en su resolución de entrenamiento, estos modelos carecen de mecanismos para generalizar a través de resoluciones temporales variables. Esta limitación obstaculiza aplicaciones que requieren planificación jerárquica (escalas de tiempo gruesas y finas), transferencia de simulación a realidad (donde las tasas de simulación y control difieren), y motores científicos que deben consultar la dinámica en múltiples escalas de tiempo.

Aunque las Neural ODEs ofrecen una alternativa de tiempo continuo al parametrizar la dinámica como un campo vectorial, a menudo carecen de sesgos inductivos físicos, lo que conduce a la inestabilidad en despliegues de largo horizonte debido a violaciones de las leyes de conservación. Las Redes Generativas Hamiltonianas (HGN) abordan esto fundamentando las predicciones en una función de energía de tiempo continuo, lo que teóricamente permite la independencia de la tasa de fotogramas. Sin embargo, en la práctica, las HGN fallan al mantener la generalización temporal en entornos no conservativos (forzados externamente, disipativos) cuando se evalúan en tamaños de paso mayores a los vistos durante el entrenamiento. Los modos de falla específicos y sus remedios en estos entornos no han sido caracterizados sistemáticamente.

Metodología

Los autores extienden la arquitectura de la Red Generativa Hamiltoniana (HGN) para manejar entornos disipativos y forzados externamente utilizando una estructura Port-Hamiltoniana. El modelo consta de:

1. Codificador/Decodificador: Un codificador convolucional mapea fotogramas de píxeles a un estado de espacio de fase latente $(q, p)$ (posición y momento). Un decodificador reconstruye imágenes a partir de las coordenadas de posición $q$.
2. Predictor Port-Hamiltoniano: La dinámica está gobernada por las ecuaciones:
   $$\dot{q} = \frac{\partial H}{\partial p}, \quad \dot{p} = -\frac{\partial H}{\partial q} - \gamma \frac{\partial H}{\partial p} + G(a)$$
   Donde $H(q, p)$ es un Hamiltoniano separable aprendido, $\gamma$ es un coeficiente de amortiguamiento aprendido, y $G(a)$ es un mapa de fuerza-acción aprendido.
3. Integrador: Se utiliza un integrador leapfrog simpléctico modificado, que integra el amortiguamiento y el forzamiento de manera simétrica en semipasos de momento.

Para diagnosticar por qué la generalización falla en tamaños de paso más grandes (extrapolación), los autores introducen un protocolo de sub-pasos en el tiempo de inferencia. Esto implica dividir un único paso de evaluación $\Delta t$ en $N$ sub-pasos de integración más pequeños ($\Delta t/N$) preservando el impulso de acción total. Esto permite a los autores distinguir entre fallos de representación (aprendizaje de un campo vectorial continuo deficiente) y fallos numéricos (error de truncamiento por una integración sub-resuelta).

Contribuciones Clave y Análisis de Fallos

El artículo identifica dos modos de falla distintos que ocurren cuando las HGN se ejecutan en tamaños de paso que exceden el régimen de entrenamiento, junto con correcciones dirigidas para cada uno:

1. Crecimiento de Magnitud Latente (Explosión de Energía)

• Causa: En entornos no restringidos, el mapa de fuerza-acción $G(a)$ no está acotado. En tamaños de paso grandes, el solver numérico sobrepasa el objetivo, y el mapa de fuerza no restringido inyecta energía a lo largo de direcciones inestables del espacio de fase. Esto conduce al crecimiento exponencial de la magnitud latente y a artefactos de alta frecuencia en el video decodificado.
• Solución: Los autores aplican normalización espectral al mapa de fuerza-acción $G(a)$, acotando su norma a 1. Esto limita la inyección de energía por paso, evitando la explosión de amplitud a través del rango de tamaños de paso probado.

2. Acumulación de Deriva de Fase (Desalineación Temporal)

• Causa: Incluso con la explosión de energía controlada, las predicciones a grandes tamaños de paso derivan de la fase respecto a la verdad de campo (ground truth). Esto se manifiesta como una acumulación de error de truncación global debido a un integrador sub-resuelto, en lugar de un fallo de la propia representación del Hamiltoniano aprendido.
• Solución: Los autores emplean sub-pasos en el tiempo de inferencia. Al aumentar el número de pasos de integración $N$ dentro de un intervalo de observación único, el tamaño de paso de integración efectivo se reduce. Cuando el tamaño de paso efectivo se aproxima a la escala de entrenamiento, la deriva de fase se elimina y la alineación temporal se recupera.

Resultados

Los autores evalúan su "bounded port-HGN" en un oscilador masa-resorte forzado y amortiguado renderizado como un video RGB de 64x64. El modelo se entrena a un tamaño de paso de $\Delta t = 0.4$ y se evalúa en varios tamaños de paso que van desde 0.05 hasta 1.5.

• Interpolación: El modelo se generaliza con éxito a tamaños de paso menores al de entrenamiento ($\Delta t < 0.4$) debido a las propiedades inherentes del integrador simpléctico, que refina cualquier paso objetivo sin necesidad de reentrenamiento.
• Extrapolación:
  • Sin las correcciones, el modelo base falla en $\Delta t > 0.4$ debido tanto a la explosión de amplitud como a la deriva de fase.
  • Aplicar la normalización espectral elimina la explosión de amplitud pero deja la deriva de fase.
  • Aplicar sub-pasos (por ejemplo, $N=4$) al modelo con normalización espectral recupera predicciones de alta calidad (medidas por MAE, PSNR, SSIM y LPIPS) incluso en tamaños de paso significativamente mayores al de entrenamiento (por ejemplo, $\Delta t = 1.5$).
  • Los resultados demuestran que el campo vectorial aprendido es válido; el fallo fue puramente numérico, derivado del desajuste entre el tamaño de paso de integración y los requisitos de estabilidad del solver.

Significado y Reivindicaciones

El artículo sostiene que la incapacidad de los modelos de video hamiltonianos para generalizar a resoluciones temporales variables no es una limitación fundamental de la representación de tiempo continuo aprendida, sino una consecuencia de inestabilidades numéricas específicas en entornos no conservativos.

Al combinar la normalización espectral del término de forzamiento con los sub-pasos en el tiempo de inferencia, los autores demuestran que un solo modelo entrenado en una tasa de fotogramas puede predecir de forma estable la dinámica tanto en resoluciones temporales más finas como más gruesas. Esto proporciona una receta práctica para permitir la generalización temporal en la generación de video de tiempo continuo, permitiendo que estos modelos sean consultados a tasas de fotogramas arbitrarias sin necesidad de reentrenamiento. El trabajo destaca que, para un despliegue exitoso en planificación jerárquica o transferencia de simulación a realidad, es necesario abordar tanto las restricciones de inyección de energía como la resolución numérica del integrador.