🤖 machine learning

Physics-conforming Latent Twins

यह शोध पत्र फिजिक्स-कन्फॉर्मिंग लेटेंट ट्विन्स (Physics-conforming Latent Twins) प्रस्तुत करता है, जो एक सरोगेट मॉडलिंग फ्रेमवर्क है जो समय-निर्भर भौतिक प्रणालियों के लिए लेटेंट सॉल्यूशन ऑपरेटर्स को सीखता है, और भौतिक रूप से सुसंगत एवं सटीक दीर्घकालिक भविष्यवाणियों को सुनिश्चित करने के लिए लेटेंट स्पेस में संरक्षण नियमों (conservation laws) और विसरणात्मक असमानताओं (dissipative inequalities) जैसे संरचनात्मक बाधाओं को सीधे लागू करता है।

मूल लेखक: Matthias Chung, Yutong Bu, Deepanshu Verma

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Matthias Chung, Yutong Bu, Deepanshu Verma

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को यह सिखाने की कोशिश कर रहे हैं कि एक जटिल भौतिक प्रणाली, जैसे कि झूलता हुआ पेंडुलम या वायरस का प्रसार, समय के साथ कैसे व्यवहार करेगी। आमतौर पर, हम इन रोबोट्स (AI मॉडल) को प्रशिक्षित करने के लिए उन्हें अतीत के व्यवहार के हजारों उदाहरण दिखाते हैं। रोबोट देखे गए पैटर्न की नकल करना सीख जाता है।

हालाँकि, एक समस्या है। यदि आप केवल रोबोट को "अतीत की नकल करने" के लिए कहते हैं, तो वह आपको दिए गए डेटा के लिए एक सटीक वक्र (curve) तो बना सकता है, लेकिन वह उन ब्रह्मांड के नियमों को भूल सकता है जो उस वक्र को नियंत्रित करते हैं। उदाहरण के लिए, एक वास्तविक पेंडुलम बिना किसी कारण के ऊर्जा प्राप्त नहीं करता है; वह (निर्वात में) हमेशा झूलता रहता है या घर्षण के कारण धीमा हो जाता है, लेकिन वह स्वतः ही तेज नहीं होता। एक मानक AI ऐसे भविष्यवाणियाँ कर सकता है जहाँ पेंडुलम हमेशा के लिए तेज होता जा रहा है क्योंकि उसने कुछ डेटा पॉइंट्स देखे जो ऐसे लग रहे थे, जिससे एक ऐसी भविष्यवाणी होती है जो कुछ क्षणों के लिए तो अच्छी दिखती है लेकिन बाद में भौतिक रूप से निरर्थक हो जाती है।

यह शोध पत्र एक नई विधि पेश करता है जिसे फिजिक्स-कन्फॉर्मिंग लेटेंट ट्विन्स (Physics-Conforming Latent Twins) कहा जाता है। इसे एक ऐसे तरीके के रूप में सोचें जिससे एक ऐसा रोबोट बनाया जा सके जो न केवल नृत्य के कदमों को याद करता है, बल्कि नृत्य के भौतिक विज्ञान (physics) को भी समझता है।

यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. "अनुवादक" और "छिपी हुई दुनिया"

यह विधि तीन-भागों वाली एक टीम का उपयोग करती है:

एन्कोडर (द ट्रांसलेटर - अनुवादक): यह जटिल, अव्यवจัด वास्तविक दुनिया के डेटा (जैसे कि एक तरल पदार्थ के प्रत्येक कण की स्थिति) को लेता है और उसे एक सरल, छिपी हुई "गुप्त भाषा" में संकुचित कर देता है जिसे लेटेंट स्पेस (Latent Space) कहा जाता है। कल्पना कीजिए कि एक विशाल, जटिल मानचित्र को एक छोटे, आसानी से पढ़े जाने वाले रेखाचित्र में सिकोड़ देना।
लेटेंट फ्लो (द टाइम ट्रैवलर - समय यात्री): यह ऑपरेशन का मस्तिष्क है। वास्तविक दुनिया में भविष्य की भविष्यवाणी करने के बजाय, यह सरल "गुप्त भाषा" में भविष्य की भविष्यवाणी करता है। यह रेखाचित्र को समय में आगे बढ़ाता है।
डिकोडर (द इंटरप्रेटर - व्याख्याकार): यह गुप्त भाषा से भविष्य के रेखाचित्र को लेता है और उसे वापस वास्तविक दुनिया में विस्तारित करता है ताकि हम भविष्यवाणी देख सकें।

2. "ट्विन" (जुड़वाँ) की अवधारणा

लेखक इसे "ट्विन" कहते हैं क्योंकि यह सिस्टम एक साथ दो चीजें सीखता है: वास्तविक दुनिया को गुप्त भाषा में कैसे अनुवादित किया जाए, और उस भाषा को समय में आगे कैसे बढ़ाया जाए। वे "जुड़वाँ" हैं क्योंकि उन्हें एक आदर्श टीम के रूप में काम करने के लिए एक साथ प्रशिक्षित किया जाता है।

3. "फिजिक्स-कन्फॉर्मिंग" ट्विस्ट (भौतिकी-अनुरूप मोड़)

मानक AI में, "टाइम ट्रैवलर" (लेटेंट फ्लो) स्वतंत्र रूप से कुछ भी कर सकता है, जब तक कि वह अतीत के डेटा जैसा दिखता हो।

फिजिक्स-कन्फॉर्मिंग लेटेंट ट्विन्स में, लेखक "टाइम ट्रैवलर" को मजबूर करते हैं कि वह गुप्त भाषा के भीतर काम करते समय विशिष्ट नियमों का पालन करे।

संरक्षण (Conservation): यदि एक वास्तविक प्रणाली को ऊर्जा बचानी है (जैसे कि झूलता हुआ पेंडुलम), तो AI गणितीय रूप से यह सुनिश्चित करने के लिए मजबूर किया जाता है कि "गुप्त रेखाचित्र" ऊर्जा प्राप्त न करे या खो न दे।
क्षय (Dissipation): यदि एक वास्तविक प्रणाली ऊर्जा खो देती है (जैसे कि गर्म कॉफी का ठंडा होना), तो AI यह सुनिश्चित करने के लिए मजबूर किया जाता है कि "गुप्त रेखाचित्र" केवल छोटा या ठंडा ही होगा, कभी गर्म नहीं होगा।

लेखक गणितीय रूप से सिद्ध करते हैं कि यदि आप नियमों का पालन करने के लिए गुप्त भाषा में बल लगाते हैं, तो अंतिम भविष्यवाणी वास्तविक दुनिया में उन नियमों का बहुत बेहतर पालन करेगी, बजाय इसके कि आप सीधे अव्यवस्थित वास्तविक दुनिया के डेटा पर नियमों को लागू करने का प्रयास करें।

4. पेपर का "जादुई ट्रिक"

यह शोध पत्र तर्क देता है कि एक रोबोट को एक सरल, छिपी हुई दुनिया में भौतिकी के नियमों का पालन करना सिखाना, जटिल वास्तविक दुनिया में सिखाने की तुलना में आसान है।

उपमा: कल्पना कीजिए कि आप एक बच्चे को झाड़ू के डंडे को संतुलित करना सिखा रहे हैं। यदि आप उसे हवादार, अराजक कमरे में झाड़ू के डंडे को देखते हुए सिखाने की कोशिश करते हैं (वास्तविक दुनिया), तो यह कठिन है। लेकिन यदि आप उसे एक शांत, बिना हवा वाले कमरे में (लेटेंट स्पेस) संतुलन के नियम सिखाते हैं, और फिर उसे उन्हीं नियमों को हवादार कमरे में लागू करने के लिए कहते हैं, तो उसके सफल होने की संभावना बहुत अधिक होती है।

उन्होंने क्या परीक्षण किया

शोधकर्ताओं ने इस विचार का कई परिदृश्यों पर परीक्षण किया:

एक झूलता हुआ पेंडुलम: उन्होंने दिखाया कि उनकी विधि पेंडुलम की गति की लंबे समय तक भविष्यवाणी कर सकती है बिना इसके नियंत्रण से बाहर हुए, जबकि मानक AI मॉडल अंततः भौतिकी को गलत कर देते हैं।
वायरस का प्रसार (SIR मॉडल): उन्होंने सुनिश्चित किया कि सिमुलेशन में लोगों की कुल संख्या स्थिर रहे (आप लोगों को बना या नष्ट नहीं कर सकते), जिसे मानक मॉडल कभी-कभी करने में विफल रहते हैं।
ऊष्मा और तरंगें: उन्होंने ऊष्मा के फैलने (जो हमेशा ठंडा होना चाहिए) और तरंगों के चलने (जो अपनी ऊर्जा बनाए रखनी चाहिए) का अनुकरण किया। उनकी विधि इन भौतिक नियमों को लंबे समय तक बरकरार रखती है, जबकि अन्य विधियाँ अपने पथ से भटक जाती हैं।

मुख्य निष्कर्ष

यह शोध पत्र दावा करता है कि एक ऐसी "छिपी हुई दुनिया" बनाकर जहाँ भौतिकी के नियम AI के मस्तिष्क में हार्ड-कोडेड हैं, हम ऐसी भविष्यवाणियाँ बना सकते हैं जो न केवल हमारे पास मौजूद डेटा के लिए सटीक हैं, बल्कि विश्वसनीय और भौतिक रूप से तर्कसंगत भी हैं। यह AI को केवल डेटा के पैटर्न को नहीं, बल्कि प्रकृति के नियमों का सम्मान करना सिखाने के बारे में है।

तकनीकी सारांश: फिजिक्स-कन्फॉर्मिंग लेटेंट ट्विन्स (Physics-Conforming Latent Twins)

समस्या विवरण

वैज्ञानिक मशीन लर्निंग (SciML) का लक्ष्य ऐसे सरोगेट मॉडल सीखना है जो लक्षित प्रणाली की संगठित भौतिक संरचना को बनाए रखते हुए सिमुलेशन की गति को बढ़ा सकें। जबकि मौजूदा विधियाँ प्रशिक्षण प्रक्षेपवक्रों (training trajectories) के सटीक इंटरपोलेशन को प्राप्त करने में सक्षम हैं, वे अक्सर भविष्यवाणियों या दीर्घकालिक सिमुलेशन के दौरान मौलिक भौतिक सिद्धांतों—जैसे कि संरक्षण नियम (conservation laws), इनवेरियंट्स (invariants), स्वीकार्यता स्थितियों (admissibility conditions, जैसे कि धनात्मकता) और विसरित संरचनाओं (dissipative structures)—का पालन करने में विफल रहती हैं। इन सिद्धांतों की अनदेखी करने से अनभौतिक भविष्यवाणियां हो सकती हैं, जैसे कि संरक्षित प्रणालियों में ऊर्जा का बढ़ना या द्रव्यमान संरक्षण का उल्लंघन होना। यह कार्य उस केंद्रीय चुनौती को संबोधित करता है कि कैसे ऐसे सरोगेट सॉल्यूशन ऑपरेटर्स सीखे जाएं जिनके डायनेमिक्स न केवल सटीक और कुशल हों, बल्कि डिज़ाइन द्वारा भौतिक रूप से सार्थक (physically meaningful by design) भी हों।

कार्यप्रणाली (Methodology)

यह शोध पत्र फिजिक्स-कन्फॉर्मिंग लेटेंट ट्विन्स प्रस्तुत करता है, जो एक एनकोडर, एक डिकोडर और एक लेटेंट फ्लो मैप को संयुक्त रूप से सीखते हुए 'लेटेंट ट्विन' फॉर्मूलेशन [3] का विस्तार करता है, और साथ ही निर्धारित संरचनात्मक मात्राओं को संरक्षित करने या उन्हें क्षय (dissipate) करने के लिए लेटेंट डायनेमिक्स को स्पष्ट रूप से बाधित (constrain) करता है।

1. लेटेंट ट्विन फॉर्मूलेशन (Latent Twin Formulation)

एक लेटेंट ट्विन एक समय-विकास प्रणाली (time-evolutionary system) के सॉल्यूशन ऑपरेटर $\Phi(t, s, \cdot)$ को एक सरोगेट ऑपरेटर $\Psi$ का उपयोग करके अनुमानित करता है:
$\Psi(t, s, u_s) = d(m_{s \to t}(e(u_s)))$
जहाँ $e: U \to Z$ एक एनकोडर है, $m_{s \to t}: Z \to Z$ मनमाने समय-सूचकांक वाले अवस्थाओं के बीच एक लेटेंट फ्लो मैप है, और $d: Z \to U$ एक डिकोडर है। वेक्टोरियल फील्ड्स या रेसिडुअल-प्रतिबंधित समाधानों को सीखने के बजाय, यह दृष्टिकोण मनमाने स्टेट्स $u(s) \to u(t)$ के बीच एक मैपिंग सीखता है।

2. कंस्ट्रेंट-ट्रांसफर दृष्टिकोण (Constraint-Transfer Viewpoint)

मुख्य सैद्धांतिक योगदान एक कंस्ट्रेंट-ट्रांसफर दृष्टिकोण है जो मूल स्टेट स्पेस $U$ में भौतिक संरचना (जिसे एक स्ट्रक्चरल फंक्शनल $C: U \to \mathbb{R}^k$ द्वारा परिभाषित किया गया है) को संगत लेटेंट स्पेस $Z$ में बाधाओं (जिसे $C_Z: Z \to \mathbb{R}^k$ द्वारा परिभाषित किया गया है) से जोड़ता है।

ए पोस्टेरियो कंट्रोल (A Posteriori Control): मानक लेटेंट ट्विन्स केवल तभी भौतिक संरचना को विरासत में प्राप्त करते हैं जब प्रक्षेपवक्र अनुमान त्रुटि (trajectory approximation error) कम हो। शोध पत्र सिद्ध करता है कि स्ट्रक्चरल दोष (structural defects) कुल अनुमान त्रुटि (डिस्क्रीटाइजेशन, ऑटोएनकोडर, और लेटेंट मैप त्रुटियों) द्वारा सीमित होते हैं, जो $C$ के लिप्सचिट्ज़ स्थिरांक (Lipschitz constant) और समय क्षितिज पर निर्भर एक ग्रोथ फैक्टर द्वारा स्केल किए जाते हैं।
ए प्रायरियो कंट्रोल (A Priori Control): लेटेंट स्पेस में सीधे तौर पर संगत बाधाओं को लागू करके, यह शोध पत्र अधिक सटीक (sharper) बाउंड्स प्राप्त करता है। यदि लेटेंट फ्लो $m_{s \to t}$ $C_Z$ को सटीक रूप से संरक्षित करता है, तो डिकोडिंग के बाद भौतिक दोष केवल कंपैटिबिलिटी एरर (डिकोडिंग के बाद $C$ और $C_Z$ के बीच का अंतर) और ऑटोएनकोडर रिकंस्ट्रक्शन एरर द्वारा नियंत्रित होता है, जिससे दीर्घकालिक क्षितिज पर त्रुटियों का प्रसार समाप्त हो जाता है।

3. बीजगणितीय वास्तविकताएं (Algebraic Realizations)

यह ढांचा विशिष्ट संरचनाओं को संरक्षित करने के लिए बीजगणितीय शर्तों को प्राप्त करने हेतु लीनियर लेटेंट फ्लो मैप्स ( $m_{s \to t}(z) = \exp((t-s)W)z$ ) में विशेषीकृत होता है:

लीनियर इनवेरियंट्स (Linear Invariants): एक लीनियर फंक्शनल $C(u) = a^\top u$ के संरक्षण के लिए यह आवश्यक है कि लेटेंट जनरेटर $W$ इस प्रकार हो कि $W^\top a = 0$ (या $a^\top W = 0$ )।
क्वाड्रेटिक इनवेरियंट्स (Quadratic Invariants): एक क्वाड्रेटिक फॉर्म $C(u) = u^\top B u$ के संरक्षण के लिए आवश्यक है कि $W^\top Q_Z + Q_Z W = 0$ (मेट्रिक $Q_Z$ के सापेक्ष स्केव-सिमेट्री)।
डिसिपेटिव स्ट्रक्चर्स (Dissipative Structures): मोनोटोनिक डिके (जैसे ऊर्जा का क्षय) को लागू करने के लिए ऐसी शर्तों की आवश्यकता होती है जैसे कि $W^\top Q_Z + Q_Z W \preceq 0$ ।

इन बाधाओं को हार्ड आर्किटेक्चरल कंस्ट्रेंट्स (शर्तों को सटीक रूप से पूरा करने के लिए $W$ को पैरामीटराइज करना) या सॉफ्ट रेगुलराइजेशन (लॉस फंक्शन में उल्लंघनों को दंडित करना) के माध्यम से लागू किया जा सकता है।

मुख्य योगदान (Key Contributions)

फ्रेमवर्क डेवलपमेंट: फिजिक्स-कन्फॉर्मिंग लेटेंट ट्विन्स को लेटेंट सॉल्यूशन ऑपरेटर्स के रूप में तैयार करना, जहाँ भौतिक संरचना को पोस्ट-हॉक डायग्नोस्टिक के रूप में नहीं, बल्कि लेटेंट स्पेस में एनकोड और प्रसारित किया जाता है।
सैद्धांतिक बाउंड्स (Theoretical Bounds):
- ए पोस्टेरियो बाउंड्स का व्युत्पन्न, जो दिखाता है कि मानक लेटेंट ट्विन्स में स्ट्रक्चरल डिफेक्ट्स सरोगेट के प्रक्षेपवक्र एरर द्वारा नियंत्रित होते हैं।
- ए प्रायरियो बाउंड्स का व्युत्पन्न, जो सिद्ध करता है कि लेटेंट स्पेस में संगत बाधाओं को लागू करने से अधिक सटीक एरर अनुमान प्राप्त होते हैं, जहाँ स्ट्रक्चरल डिफेक्ट केवल कंपैटिबिलिटी और रिकंस्ट्रक्शन एरर पर निर्भर करता है, न कि पूर्ण प्रक्षेपवक्र वृद्धि पर।
बीजगणितीय स्थितियां (Algebraic Conditions): लीनियर और क्वाड्रेटिक इनवेरियंट्स को संरक्षित करने और डिसिपेटिव इनइक्वेलिटीज को लागू करने के लिए लीनियर लेटेंट फ्लो मैप्स पर स्पष्ट स्थितियों का व्युत्पन्न।
संख्यात्मक सत्यापन (Numerical Validation): विविध ODE और PDE बेंचमार्क पर ढांचे का प्रदर्शन, जो अनकन्स्ट्रेंड लेटेंट ट्विन्स, POD, DMD और फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) की तुलना में बेहतर कंस्ट्रेंट सेटिस्फैक्शन, स्ट्रक्चरल फिडेलिटी और लॉन्ग-टाइम स्टेबिलिटी दिखाता है।

प्रयोगात्मक परिणाम (Experimental Results)

शोध पत्र कई बेंचमार्क पर ढांचे का मूल्यांकन करता है:

हारमोनिक ऑसिलेटर (Linear ODE): एक स्क्यू-सिमेट्रिक लेटेंट जनरेटर वाला फिजिक्स-कन्फॉर्मिंग लेटेंट ट्विन लंबे क्षितिज पर स्थिर त्रुटियों ( $\approx 10^{-3}$ ) को बनाए रखता है, जो DMD ( $\approx 10^{-2}$ ) से बेहतर प्रदर्शन करता है और अनुकूल प्रोजेक्शन बेंचमार्क (POD) के बराबर है।
मल्टीग्रुप SIR मॉडल (Nonlinear ODE): लीनियर लेटेंट फ्लो के साथ नॉनलीनियर ऑटोएनकोडर का उपयोग करते हुए, मॉडल सॉफ्ट रेगुलराइजेशन के माध्यम से कुल जनसंख्या (एक लीनियर इनवेरियंत) को संरक्षित करता है। यह नॉनलीनियर मैनिफोल्ड और स्ट्रक्चर-कंस्ट्रेंड इवोल्यूशन को संयुक्त रूप से सीखकर POD और DMD से बेहतर प्रदर्शन करता है।
अनडैम्प्ड पेंडुलम (Hamiltonian ODE): एक क्वाड्रेटिक लेटेंट इनवेरियंट को लागू करने वाला हार्ड आर्किटेक्चरल कंस्ट्रेंट मॉडल को ट्रेनिंग होराइजन के परे स्थिर और सटीक एक्सट्रैपोलेशन बनाए रखने की अनुमति देता है। यह अनकन्स्ट्रेंड लेटेंट ट्विन (जो फेज/एम्प्लीट्यूड एरर जमा करता है) और एक PINN (जो ट्रेनिंग के दौरान ODE रेसिड्यूल्स को संतुष्ट करने के बावजूद एक्सट्रैपोलेशन के तहत खराब हो जाता है) दोनों से बेहतर है।
ग्रेडिएंट फ्लो (Dissipative ODE): लेटेंट नॉर्म पर एक डिसिपेटिव पेनल्टी स्प्यूरियस ग्रोथ को रोकता है, जिससे सरोगेट एक्सट्रैपोलेशन के दौरान रोसेनब्रोक लैंडस्केप में वास्तविक प्रक्षेपवक्र के करीब रहता है।
हीट इक्वेशन (PDE): मॉडल स्थानिक माध्य (स्पेशियल मीन - लीनियर) के संरक्षण और $L^2$ ऊर्जा के मोनोटोनिक डिके (क्वाड्रेटिक) को एक साथ लागू करता है। यह डिफ्यूसिव स्मूथिंग और गुणात्मक संरक्षण नियमों को सटीक रूप से पुनरुत्पादित करता है।
वेव इक्वेशन (PDE): एक स्क्यू-सिमेट्रिक लेटेंट जनरेटर एक क्वाड्रेटिक एनर्जी इनवेरियंट को संरक्षित करता है, जो कृत्रिम डैम्पिंग या वृद्धि के बिना लहरों के दोलन संबंधी प्रसार (oscillatory wave propagation) को सटीक रूप से कैप्चर करता है।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि फिजिक्स-कन्फॉर्मिंग लेटेंट ट्विन्स एक विशिष्ट लाभ प्रदान करते हैं क्योंकि वे भौतिक बाधाओं को केवल सहायक डायग्नोस्टिक्स के रूप में नहीं, बल्कि उनके प्रतिनिधित्व (representation) के लिए संगठित सिद्धांतों (organizing principles) के रूप में देखते हैं।

डिज़ाइन सिद्धांत: यह कार्य तर्क देता है कि भौतिक संरचना समाधान ऑपरेटर के डिज़ाइन का हिस्सा होनी चाहिए। लेटेंट फ्लो को बाधित करके, यह विधि सुनिश्चित करती है कि सरोगेट इवोल्यूशन निर्माण के अनुसार अंतर्निहित भौतिकी का सम्मान करता है।
एक्सट्रैपोलेशन और स्थिरता: परिणाम बताते हैं कि केवल देखे गए डेटा पर रेसिड्यूल्स को कम करने (जैसा कि PINNs में होता है) या केवल प्रक्षेपवक्र निकटता पर निर्भर रहने की तुलना में लेटेंट स्पेस में संरचना को लागू करना दीर्घकालिक एक्सट्रैपोलेशन के लिए अधिक प्रभावी है।
लचीलापन: यह ढांचा रैखिक से लेकर गैर-रैखिक, संरक्षित से लेकर विसरित, और ODE से लेकर PDE तक, विविध प्रणालियों के लिए लागू करने योग्य है, बशर्ते कि डायनेमिक्स को लेटेंट स्पेस में एनकोड किया जा सके।

लेखक सीमाओं को स्वीकार करते हैं, यह नोट करते हुए कि लेटेंट कंस्ट्रेंट्स और डिकोडर-प्रेरित भौतिक कंस्ट्रेंट्स के बीच कंपैटिबिलिटी स्वतः नहीं होती है और यह सीखे गए एनकोडर-डिकोडर जोड़े पर निर्भर करती है। वे यह भी उल्लेख करते हैं कि वर्तमान सिद्धांत स्थानीय संरक्षण कानूनों के बजाय वैश्विक स्ट्रक्चरल फंक्शनल्स को संबोधित करता है। हालांकि, यह कार्य "पुन: प्रयोज्य लेटेंट फिजिक्स" (reusable latent physics) सीखने के लिए एक सैद्धांतिक और व्यावहारिक आधार स्थापित करता है, जहाँ लेटेंट स्पेस भविष्यवाणी और निष्कर्ष के लिए एक भौतिक रूप से संगठित स्थान के रूप में कार्य करता है।