⚡ electrical engineering

PHAST: Port-Hamiltonian Architecture for Structured Temporal Dynamics Forecasting

Le papier présente PHAST, une architecture d'apprentissage profond basée sur le formalisme port-Hamiltonien qui, en exploitant uniquement des observations de positions, garantit la stabilité des prévisions à long terme et permet la récupération de paramètres physiques significatifs pour divers systèmes dissipatifs.

Auteurs originaux : Shubham Bhardwaj, Chandrajit Bajaj

Publié 2026-02-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shubham Bhardwaj, Chandrajit Bajaj

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌟 PHAST : Le "GPS Physique" pour prédire le futur

Imaginez que vous essayez de prédire le mouvement d'un objet, comme un pendule qui oscille ou un circuit électrique qui se décharge. Le problème ? Dans la vraie vie, rien ne bouge indéfiniment. Les choses ralentissent, s'arrêtent ou perdent de l'énergie à cause du frottement, de la chaleur ou de la résistance de l'air. C'est ce qu'on appelle la dissipation.

Les intelligences artificielles classiques (comme les réseaux de neurones) sont très bonnes pour deviner la prochaine position d'un objet en regardant le passé. Mais elles ont un gros défaut : elles oublient souvent les lois de la physique. Elles peuvent prédire qu'un pendule va osciller pour toujours, ou pire, qu'il va s'arrêter brusquement de manière impossible.

PHAST (Port-Hamiltonian Architecture for Structured Temporal Dynamics) est une nouvelle architecture d'IA conçue pour résoudre ce problème. Elle ne devine pas seulement le futur ; elle respecte les lois de l'énergie.

🏗️ L'Analogie de la "Boîte à Outils Physique"

Pour comprendre PHAST, imaginez que vous essayez de reconstruire une voiture à partir de photos prises uniquement de l'extérieur (vous ne voyez pas le moteur ni les roues, juste la carrosserie qui bouge).

PHAST utilise une approche en trois étapes, comme un mécanicien très méticuleux :

Le Moteur (L'Énergie Potentielle) : C'est la force qui pousse le système (comme la gravité pour un pendule ou un ressort qui se détend). PHAST apprend à reconnaître cette "pente" énergétique.
Les Roues (La Masse/Inertie) : C'est la résistance au changement de mouvement. Un camion est plus lourd qu'une voiture ; il faut plus de force pour l'arrêter. PHAST apprend cette "lourdeur" du système.
Les Freins (L'Amortissement) : C'est ce qui fait perdre de l'énergie (frottement, air, chaleur). C'est la partie la plus difficile à apprendre, car c'est ce qui fait que les choses s'arrêtent.

🧩 Les Trois Scénarios d'Apprentissage

Le papier explique que PHAST peut fonctionner dans trois situations différentes, selon ce que l'on sait déjà sur le système :

🟢 Le Mode "Expert" (KNOWN) : On connaît déjà la gravité et la masse de l'objet. L'IA n'a qu'à apprendre à quel point les freins sont forts. C'est comme si on lui disait : "C'est une voiture de 1 tonne, apprends-moi juste à quel point les pneus sont usés."
🟡 Le Mode "Détective" (PARTIAL) : On connaît la forme du moteur (la gravité), mais on ne connaît pas exactement la masse ou l'usure des freins. L'IA doit déduire ces éléments manquants en observant le mouvement. C'est un équilibre délicat : si elle se trompe sur la masse, elle pourrait inventer des freins magiques pour compenser.
🔴 Le Mode "Boîte Noire" (UNKNOWN) : On ne sait rien du tout ! Ni le moteur, ni la masse, ni les freins. L'IA doit tout inventer. C'est le plus difficile, et c'est là que PHAST montre sa force : même sans connaître les détails, elle garantit que l'énergie totale ne peut pas augmenter mystérieusement (ce qui empêcherait l'IA de prédire que la voiture accélère toute seule sans essence).

🛑 Le Secret : La "Passivité"

Le grand génie de PHAST réside dans une garantie mathématique appelée passivité.

Imaginez un compte en banque de l'énergie.

Dans les systèmes réels, vous ne pouvez pas dépenser plus d'argent que vous n'en avez (l'énergie ne peut pas augmenter toute seule).
Les IA classiques peuvent parfois "imprimer de l'argent" (créer de l'énergie) par erreur, ce qui fait que leurs prédictions explosent après quelques secondes.
PHAST est programmé pour que son compte en banque d'énergie ne puisse jamais augmenter. Il peut seulement diminuer (à cause des freins) ou rester stable. Cela garantit que ses prédictions restent stables et réalistes, même sur de très longues périodes.

🎯 Pourquoi c'est important ?

Le papier montre que PHAST est bien meilleur que les autres IA pour deux raisons :

Stabilité à long terme : Si vous demandez à PHAST de prédire le mouvement d'un pendule pendant 100 secondes, il restera réaliste. Les autres IA, elles, finissent souvent par faire osciller le pendule de manière folle ou l'arrêter trop tôt.
Compréhension réelle : Contrairement à une IA qui "triche" en utilisant des freins imaginaires pour corriger ses erreurs, PHAST, quand on lui donne un peu de contexte (Mode Expert ou Détective), arrive à retrouver les vrais paramètres physiques (la vraie valeur du frottement, la vraie masse).

💡 En résumé

PHAST est comme un apprenti physicien qui a intégré les lois de la thermodynamique directement dans son cerveau. Au lieu d'essayer de deviner le futur par pure statistique, il utilise une structure mathématique rigide (Port-Hamiltonien) qui lui dit : "Tu as le droit de bouger, mais tu ne peux pas créer d'énergie, et tu dois perdre de l'énergie à cause du frottement."

C'est cette contrainte qui permet à l'IA de faire des prédictions fiables, stables et physiquement sensées, que ce soit pour des robots, des circuits électriques ou même des écosystèmes écologiques.

1. Problématique et Contexte

Le défi de la prévision de systèmes dissipatifs :
La prévision des états futurs de systèmes dynamiques à partir de données observationnelles est un problème central en apprentissage automatique scientifique. La plupart des systèmes physiques réels sont dissipatifs (ils perdent de l'énergie sous forme de chaleur, de frottement, etc.), contrairement aux systèmes conservatifs idéaux souvent étudiés.

Le problème « q-only » (positions uniquement) :
Le papier se concentre sur un défi spécifique et difficile : apprendre un modèle dynamique structuré à partir uniquement de l'observation des positions généralisées ( $q_t$ ) à des temps discrets, sans accès aux moments ( $p_t$ ), qui sont latents.

Objectifs :
1. Produire des prévisions à long terme stables (open-loop).
2. Récupérer des paramètres physiques interprétables (potentiel, masse, amortissement) lorsque des connaissances partielles sont disponibles.

Limites des approches existantes :

Les réseaux de neurones Hamiltoniens (HNN) et Lagrangiens (LNN) supposent des systèmes conservatifs ( $R=0$ ) et échouent sur les systèmes dissipatifs.
Les modèles d'espace d'état (S5, LinOSS) sont efficaces mais manquent de garanties physiques explicites (comme la passivité ou une décomposition Port-Hamiltonienne).
Les réseaux préservant le volume (VPT) ne peuvent pas représenter la contraction de l'espace des phases inhérente aux systèmes dissipatifs.

2. Méthodologie : PHAST

PHAST (Port-Hamiltonian Architecture for Structured Temporal dynamics) est une architecture unifiée basée sur le cadre Port-Hamiltonien (pH).

A. Fondements Théoriques

Le cadre Port-Hamiltonien décompose la dynamique d'un système dissipatif en :
$\dot{x} = (J - R) \nabla H(x)$
Où :

$x = (q, p)$ est l'état de l'espace des phases.
$H(x) = V(q) + T(q, p)$ est l'Hamiltonien (énergie totale), composé de l'énergie potentielle $V$ et de l'énergie cinétique $T$ .
$J$ est une matrice antisymétrique représentant l'échange d'énergie conservatif (structure symplectique).
$R$ est une matrice semi-définie positive ( $R \succeq 0$ ) représentant la dissipation (amortissement).
Garantie de passivité : Par construction, $\dot{H} \leq 0$ (l'énergie ne croît pas), garantissant la stabilité à long terme.

B. Pipeline en Trois Étages

Pour traiter le problème « q-only », PHAST utilise un pipeline séquentiel :

Observateur de vitesse : Un réseau TCN (Temporal Convolutional Network) causal estime la vitesse $\dot{q}$ à partir de l'historique des positions, en ajoutant une correction à une estimation par différences finies.
Canonisation : Transformation de l'estimation de vitesse en un état de phase canonique $(q, \hat{p})$ . Si la masse est connue, la relation physique $p = M(q)\dot{q}$ est utilisée ; sinon, une identité est utilisée comme approximation.
Cœur Port-Hamiltonien : Intégration vers l'avant de la dynamique via une méthode de fractionnement de Strang (Strang splitting) qui préserve la structure dissipative.

C. Régimes de Connaissance

PHAST s'adapte à trois niveaux de connaissances physiques, permettant de briser l'indétermination (gauge freedom) :

KNOWN : La structure du potentiel $V(q)$ et de la masse $M(q)$ est connue (ex: pendule simple). Seul l'amortissement $D(q)$ est appris.
PARTIAL : La forme fonctionnelle de $V$ ou $M$ est connue (ex: gravité connue, mais masse inconnue), mais les paramètres doivent être appris. Des contraintes de bornes sont appliquées à l'amortissement pour assurer l'identifiabilité.
UNKNOWN : Aucun modèle physique n'est fourni. Les trois composantes ( $V, M, D$ ) sont apprises via des réseaux de neurones, tout en respectant les contraintes de positivité.

D. Paramétrisations Efficaces

Pour garantir les contraintes mathématiques tout en restant efficace :

Amortissement ( $D$ ) : Paramétrisé comme une somme de rangs 1 (style Householder) : $D(q) = d_0 I + \sum \beta_i k_i k_i^\top$ . Cela garantit $D \succeq 0$ .
Masse ( $M$ ) : Utilise une paramétrisation « Diagonale + Rang Faible » pour garantir $M \succ 0$ et permettre l'inversion rapide via l'identité de Woodbury ( $O(nr^2)$ au lieu de $O(n^3)$ ).
Contrainte de borne : Une borne sur la force totale de l'amortissement est introduite pour empêcher le modèle d'utiliser l'amortissement comme un « poubelle d'erreurs » (error sink) pour masquer des erreurs dans $V$ ou $M$ .

3. Contributions Clés

Architecture Unifiée : Une seule architecture Port-Hamiltonienne couvrant trois régimes de connaissance (KNOWN, PARTIAL, UNKNOWN) en échangeant simplement les instantiations des composants.
Paramétrisations de Type Householder : Des expansions de rang faible qui garantissent par construction la positivité de la masse et de l'amortissement, avec une complexité computationnelle linéaire en la dimension du système.
Borne de l'Amortissement pour l'Identifiabilité : Démonstration que l'amortissement non contraint peut absorber les erreurs de modèle. L'imposition de bornes sur la force de l'amortissement améliore la récupération des paramètres physiques dans les régimes gris (grey-box).
Intégration Préservant la Structure : Utilisation du fractionnement de Strang pour intégrer la dynamique dissipative tout en préservant la structure de passivité à l'ordre $O(\Delta t^2)$ .
Évaluation à Deux Axes : Séparation explicite des métriques de stabilité de prévision (MSE de défilement) et d'identifiabilité physique (récupération de l'amortissement), révélant des compromis invisibles avec une évaluation unique.

4. Résultats Expérimentaux

Les auteurs ont évalué PHAST sur 13 benchmarks couvrant six domaines physiques (mécanique, électrique, moléculaire, thermique, gravitationnel, écologique).

Stabilité à long terme : PHAST surpasse systématiquement les modèles de base (GRU, S5, LinOSS, Transformers, VPT) sur la stabilité des défilements à long terme (horizon $H=100$ ). Sur le pendule double dissipatif (système chaotique), PHAST maintient la cohérence de la trajectoire bien plus longtemps que les autres modèles.
Identifiabilité Physique :
- Dans le régime KNOWN, PHAST récupère presque parfaitement l'amortissement positionnel (ex: $R^2 \approx 0.996$ pour le pendule « windy »).
- Dans le régime PARTIAL, l'imposition de bornes sur l'amortissement permet de récupérer des paramètres physiques significatifs là où les modèles non contraints échouent.
- Dans le régime UNKNOWN, bien que la prévision soit bonne, les paramètres récupérés ne sont pas uniques (problème mal posé), confirmant la nécessité d'ancres physiques pour l'interprétabilité.
Efficacité : Les primitives structurées (Woodbury, Householder) permettent une inférence rapide, comparable aux modèles de base les plus légers.

Exemple marquant : Pour le système « Windy Cart-Pole », PHAST (régime KNOWN) atteint un MSE de défilement de 0.063, contre 0.431 pour le meilleur modèle de base (S5), soit une amélioration d'un facteur 6.8.

5. Signification et Impact

Ce travail apporte plusieurs avancées majeures :

Unification de la physique et de l'apprentissage : Il démontre que l'intégration explicite de la structure Port-Hamiltonienne (conservation + dissipation) est supérieure à l'ajout simple de capacité (plus de paramètres) pour la stabilité à long terme.
Gestion de l'indétermination : Il identifie et résout le problème de la « liberté de jauge » (gauge freedom) où plusieurs combinaisons de paramètres peuvent produire les mêmes trajectoires, en introduisant des contraintes de bornes et des régimes de connaissance partielle.
Applicabilité Large : La méthode ne se limite pas à la mécanique ; elle s'applique aux circuits électriques, aux échanges thermiques et aux modèles écologiques, tant qu'une fonction de stockage et une séparation conservatif-dissipatif peuvent être définies.
Contrôle en Boucle Fermée : L'article montre également que les modèles appris peuvent être utilisés pour le contrôle (stabilisation par Casimir-Energie), bien que la qualité de l'estimation de la vitesse (port) soit le facteur limitant en présence de bruit.

En conclusion, PHAST établit un nouvel état de l'art pour la modélisation de systèmes dissipatifs à partir de données partielles, en offrant un équilibre optimal entre précision de prévision, stabilité numérique et interprétabilité physique.