🤖 machine learning

When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models

यह शोध पत्र एक ढांचा स्थापित करता है कि कैसे प्रतिनिधित्व (representation), रीडआउट (readout) और गतिकी (dynamics) दोषों के अपघटन के माध्यम से "प्रमाणित क्षितिज" (certified horizon) को सीमित करके यह प्रमाणित किया जा सके कि एक सीखा हुआ लेटेंट वर्ल्ड मॉडल कितने चरणों तक किसी भौतिक अपरिवर्तनीय (physical invariant) के लेवल सेट पर बना रहता है, जो यह प्रदर्शित करता है कि जबकि सिम्प्लेक्टिक संरचनाओं (symplectic structures) जैसे कठोर ज्यामितीय पूर्वग्रह (hard geometric priors) सीखे गए चार्ट्स में सामान्यीकरण करने में विफल हो सकते हैं, सॉफ्ट लिप्सचिट्ज़-अलाइन्ड (soft Lipschitz-aligned) अपरिवर्तनीय डिकोड किए गए भौतिक स्थान में संरक्षण नियमों (conservation laws) को मजबूती से संरक्षित कर सकते हैं।

मूल लेखक: Hongbo Wang

प्रकाशित 2026-06-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongbo Wang

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 एक झूलते हुए पेंडुलम की गति की भविष्यवाणी करना सिखा रहे हैं। वास्तविक भौतिकी (कोण और गति) दिखाने के बजाय, आप उसे दुनिया को समझने के लिए अपनी खुद की गुप्त, आंतरिक भाषा (एक "लेटेंट रिप्रेजेंटेशन") सीखने देते हैं। रोबोट अपनी ही गुप्त भाषा में अगले कदम की भविष्यवाणी करने में बहुत कुशल हो जाता है।

लेकिन यह समस्या है: आप रोबोट पर भरोसा कैसे करेंगे?

वास्तविक भौतिक दुनिया में, कुछ चीजें कभी नहीं बदलतीं, जैसे कि झूलते हुए पेंडुलम की कुल ऊर्जा। यदि रोबोट भविष्यवाणी करता है कि पेंडुलम अचानक कहीं से भी अनंत ऊर्जा प्राप्त कर लेगा, तो हम जानते हैं कि वह खराब हो गया है। यह शोध पत्र पूछता है: क्या हम यह सिद्ध कर सकते हैं कि हमारा रोबोट अभी भी उन अपरिवर्तनीय नियमों का सम्मान कर रहा है, भले ही वह अपनी खुद की गुप्त भाषा में सोच रहा हो?

लेखक कहते हैं: "हाँ, लेकिन केवल तभी जब आप सही चीज़ की जाँच करें।"

मुख्य विचार: "डिकोडेड" सत्य

लेखक का तर्क है कि आप रोबोट के आंतरिक ऊर्जा स्कोर पर भरोसा नहीं कर सकते। रोबोट अपनी खुद की गुप्त "ऊर्जा" को स्थिर रखने में एकदम सटीक हो सकता है, लेकिन उस गुप्त ऊर्जा का वास्तविक दुनिया की ऊर्जा से कोई लेना-देना नहीं हो सकता है।

इसके बजाय, आपको रोबोट को मजबूर करना होगा कि वह अपने गुप्त विचारों को वापस वास्तविक दुनिया के निर्देशांकों (कोणों और गति) में अनुवादित करे और फिर यह जाँच करे कि क्या वास्तविक ऊर्जा स्थिर रहती है।

गलत तरीका: यह जाँचना कि रोबोट का आंतरिक गणित स्थिर रहता है या नहीं। (यह एक जासूस के गुप्त कोड के सुसंगत रहने की जाँच करने जैसा है, भले ही जासूस मिशन के बारे में झूठ बोल रहा हो)।
सही तरीका: यह जाँचना कि डिकोडेड संदेश (वास्तविक भौतिकी) स्थिर रहता है या नहीं। (यह यह जाँचने जैसा है कि मुख्यालय को भेजी गई जासूस की वास्तविक रिपोर्ट सटीक है या नहीं)।

भरोसे के तीन "स्तर"

लेखकों ने इस विचार का परीक्षण तीन अलग-अलग परिदृश्यों में किया, जो कठिनाई की एक सीढ़ी की तरह हैं:

1. आसान स्तर (ज्ञात निर्देशांक):
रोबोट को सीधे वास्तविक भौतिकी (कोण और गति) दी जाती है।

परिणाम: यदि आप रोबोट को "कठोर" गणितीय नियमों (सिम्प्लेक्टिक संरचना) का उपयोग करने के लिए मजबूर करते हैं जो वास्तविक भौतिकी की नकल करते हैं, तो यह पूरी तरह से काम करता है। यह लंबे समय तक सही ऊर्जा पथ पर रहता है।
उपमा: यह एक ड्राइवर को पहले से ही सड़क के साथ पूरी तरह से संरेखित मानचित्र देने जैसा है। यदि वे मानचित्र के नियमों का पालन करते हैं, तो वे सड़क पर बने रहते हैं।

2. मध्यम स्तर (सीखे गए निर्देशांक):
रोबोट को सरल डेटा से अपनी खुद की गुप्त भाषा को समझना होता है।

परिणाम: आसान स्तर के "कठोर" नियम विफल हो जाते हैं। रोबोट एक ऐसी गुप्त भाषा सीखता है जहाँ "ऊर्जा" स्थिर रहती है, लेकिन वह गलत ऊर्जा होती है। वह वास्तविकता से दूर भटक जाता है।
समाधान: लेखकों ने एक "सॉफ्ट" दृष्टिकोण का उपयोग किया। उन्होंने रोबोट को एक ऐसा पैटर्न खोजने के लिए सिखाया जो स्थिर रहता है, और फिर उस पैटर्न को वास्तविक ऊर्जा से जोड़ने के लिए एक पुल (एक गणितीय अंशांकन/कैलिब्रेशन) बनाया।
उपमा: ड्राइवर अब अपना खुद का नक्शा बना रहा है। पुराने नक्शे के "कठोर नियम" अब काम नहीं करते। लेकिन यदि आप एक अनुवादक (पुल) बनाते हैं जो कहता है, "जब ड्राइवर 'नीला' कहता है, तो इसका मतलब 'उत्तर' है," तो आप अभी भी उन पर भरोसा कर सकते हैं। "सॉफ्ट" पैटर्न अनुवाद के दौरान जीवित रहा; "हार्ड" नियम नहीं।

3. कठिन स्तर (पिक्सेल चित्र):
रोबोट केवल पेंडुलम की तस्वीरें (पिक्सेल) देखता है, संख्याएँ नहीं। उसे चित्र से भौतिकी का अनुमान लगाना होता है।

परिणाम: यह बहुत शोर भरा (noisy) है। रोबोट का "डिकोडर" (पिक्सेल को वापस संख्याओं में बदलना) गलतियाँ करता है।
समाधान: उन्होंने एक "सुरक्षित क्षेत्र" खोजा। यदि वे केवल तभी रोबोट पर भरोसा करते हैं जब वह पेंडुलम को एक स्थिर, स्पष्ट तरीके से देख रहा होता है (धुंधले या अजीब कोणों को अनदेखा करते हुए), तो पुल के साथ "सॉफ्ट" दृष्टिकोण फिर से काम करता है।
उपमा: ड्राइवर अब एक धुंधली खिड़की के माध्यम से सड़क देख रहा है। उन पर हर जगह भरोसा नहीं किया जा सकता। लेकिन यदि आप उन्हें बताते हैं, "केवल तभी चलाएं जब धुंध कम हो," तो वे अभी भी सड़क पर बने रह सकते हैं।

बड़ी खोज: "केपलर" की दीवार

उन्होंने एक बहुत ही कठिन प्रणाली (दो ग्रहों का एक-दूसरे की कक्षा में घूमना) का भी परीक्षण किया। सभी युक्तियों के बावजूद, जब ग्रह एक-दूसरे के बहुत करीब आए, तो रोबोट विफल हो गया।

क्यों? यह इसलिए नहीं था क्योंकि रोबोट "मूर्ख" था या गणित गलत था। यह एक ज्यामितीय सीमा थी। जब ग्रह बहुत करीब आते हैं, तो भौतिकी अनंत रूप से तीखी (जैसे एक खड़ी ढलान) हो जाती है। बेहतर सीखने या बेहतर मानचित्रों से भी उस ढलान को ठीक नहीं किया जा सकता जिसे चढ़ना असंभव हो।
उपमा: यहाँ तक कि सबसे अच्छा ड्राइवर और सबसे अच्छा अनुवादक भी एक ऊर्ध्वाधर दीवार (vertical wall) पर कार नहीं चला सकता। दीवार बस बहुत खड़ी है।

सारांश

रोबोट की आंतरिक भावनाओं पर भरोसा न करें: सिर्फ इसलिए कि रोबूम को लगता है कि वह सही काम कर रहा है, इसका मतलब यह नहीं है कि वह वास्तव में सही कर रहा है।
अनुवाद पर भरोसा करें: आपको अपने गुप्त विचारों को वास्तविक भौतिकी में अनुवादित करने के बाद रोबोट के आउटपुट की जाँच करनी चाहिए।
जब मानचित्र बदलता है, तो कठोर नियम टूट जाते हैं: कठोर भौतिकी नियम केवल तभी काम करते हैं जब आप मानचित्र को पहले से जानते हों। यदि रोबोट अपना स्वयं का मानचित्र सीखता है, तो आपको वास्तविकता से जोड़ने के लिए एक लचीले "पुल" की आवश्यकता होती है।
कुछ दीवारें चढ़ने योग्य नहीं होतीं: कभी-कभी भौतिकी ही इतनी चरम होती है (जैसे ग्रहों का आपस में टकराना), और वहाँ किसी भी AI द्वारा सुरक्षा की गारंटी देना संभव नहीं होता।

यह शोध पत्र सिद्ध करता है कि हम AI वर्ल्ड मॉडल के लिए "प्रमाणपत्र" (गारंटी) बना सकते हैं, लेकिन केवल तभी जब हम इस बात के प्रति ईमानदार हों कि हम क्या माप रहे हैं और हम AI के विचारों को वास्तविकता में कैसे अनुवादित करते हैं।

तकनीकी सारांश: संरक्षण नियम (Conservation Laws) सीखे गए निरूपणों (Learned Representations) में कब जीवित रहते हैं?

समस्या विवरण

आधुनिक विश्व मॉडल (World Models) स्केलेबिलिटी प्राप्त करने के लिए प्रेक्षण स्थान (Observation Space) के बजाय लेटेंट स्पेस (Latent Space) में लेटेंट निरूपणों को सीखने और उसमें आगे बढ़ने (Rolling forward) का उपयोग करते हैं। हालाँकि, यह बदलाव भौतिक विश्वास (Physical Trust) के प्रमाणन (Certification) को जटिल बना देता है। जबकि संरक्षण नियम (जैसे ऊर्जा संरक्षण) भौतिक प्रणालियों में विश्वास के लिए एक स्वाभाविक आधार प्रदान करते हैं, एक लेटेंट मॉडल भौतिक निर्देशांकों (Physical Coordinates) को सीखे गए निर्देशांकों से बदल देता है। फलस्वरूप, एक मॉडल एक सीखे गए आंतरिक स्केलर (एक लेटेंट हैमिल्टनियन या विटनेस) को पूरी तरह से संरक्षित कर सकता है, जबकि वास्तविक भौतिक ऊर्जा महत्वपूर्ण रूप से विचलित हो सकती है।

मुख्य प्रश्न जिसका समाधान किया गया है: कब एक संरक्षण नियम एक लेटेंट निरूपण सीखने के बाद प्रमाणित रहने योग्य रहता है? विशेष रूप से, शोध पत्र यह निर्धारित करने का प्रयास करता है कि एक रोलआउट (Rollout) कितने चरणों तक एक भौतिक इनवेरिएंट (Invariant) के स्तर सेट (Level Set) पर प्रमाणित रूप से बना रहता है। महत्वपूर्ण चुनौती यह परिभाषित करना है कि क्या प्रमाणित किया जा रहा है: न कि सीखा गया लेटेंट मात्रा, बल्कि डिकोड किया गया भौतिक इनवेरिएंट (Decoded Physical Invariant)।

कार्यप्रणाली (Methodology)

प्रमाणित वस्तु (The Certified Object)

शोध पत्र प्रमाणित वस्तु को डिकोड किए गए भौतिक इनवेरिएंट के रूप में निर्धारित करता है, जिसे $\Psi(z) = H^*(\Pi D_\psi z)$ द्वारा दर्शाया गया है।

$z$ : लेटेंट अवस्था (Latent state)।
$D_\psi$ : डिकोडर मैपिंग जो लेटेंट को ऑब्जर्वेशन में बदलती है।
$\Pi$ : ऑब्जर्वेशन से भौतिक निर्देशांक $(q, p)$ में रीडआउट मैपिंग।
$H^*$ : ज्ञात भौतिक इनवेरिएंट (जैसे वास्तविक यांत्रिक ऊर्जा)।

महत्वपूर्ण रूप से, शोध पत्र सीधे सीखे गए लेटेंट हैमिल्टनियन $H_\theta$ या सीखे गए स्केलर विटनेस $C_\omega$ को प्रमाणित नहीं करता है। इन्हें "विटनेस" या प्रॉक्सी (Proxies) के रूप में माना जाता है। एक मॉडल इन आंतरिक मात्राओं को संरक्षित कर सकता है जबकि डिकोड किया गया भौतिक इनवेरिएंट विचलित हो सकता है। प्रमाणन केवल वहीं वैध है जहाँ स्टेट पाइपलाइन और लेटेंट-डिकोडेड पाइपलाइन $H^*$ पर अभिसरित (Converge) होती हैं।

प्रमाणन ढांचा (Certificate Framework)

लेखक "शेल-होराइजन सर्टिफिकेट्स" (Shell-horizon certificates) व्युत्पन्न करते हैं जो यह सीमा तय करते हैं कि एक रोलआउट $T$ चरणों तक ऊर्जा शेल के भीतर एक टॉलरेंस $\epsilon$ के भीतर रहता है। इस होराइजन का बजट तीन अलग-अलग दोष स्रोतों में विभाजित है:

निरूपण दोष ( $\epsilon_0$ ): एम्बेडिंग/एनकोडिंग में प्रारंभिक त्रुटि।
रीडआउट दोष ( $\epsilon_{\Pi, \text{num}}$ ): डिकोडर और रीडआउट मैपिंग द्वारा पेश की गई त्रुटि (पिक्सेल ऑब्जर्वेशन में प्रमुख)।
लेटेंट-डायनेमिक्स दोष ( $\delta_{\text{tube}}^{\text{phys}}$ ): लेटेंट डायनेमिक्स में डिकोड किए गए इनवेरिएंट का प्रति-चरण विचलन (Per-step drift)।

होराइजन की गणना इस प्रकार की जाती है:
$T = \left\lfloor \frac{m_{c,\rho}\epsilon - \text{initialization defects}}{\text{per-step drift}} \right\rfloor$
जहाँ $m_{c,\rho}$ शेल की संवेदनशीलता (न्यूनतम ग्रेडिएंट नॉर्म) है।

अलाइनमेंट ब्रिज (सॉफ्ट विटनेस) [Alignment Bridge (Soft Witnesses)]

एक सीखे गए "सॉफ्ट" इनवेरिएंट (एक स्केलर विटनेस $C_\omega$ जिसे लेटेंट स्पेस में संरक्षित रहने के लिए प्रशिक्षित किया गया है) का उपयोग करने के लिए, शोध पत्र एक नियंत्रित-लिप्सचिट्ज़ अलाइनमेंट ब्रिज (Controlled-Lipschitz alignment bridge) पेश करता है।

एक सॉफ्ट विटनेस स्वाभाविक रूप से भौतिक ऊर्जा नहीं है। इसे एक कैलिब्रेशन फंक्शन $g_C$ के माध्यम से संरेखित (Align) किया जाना चाहिए।
एक वैध प्रमाणन के लिए शर्त बाय-लिप्सचिट्ज़ कैलिब्रेशन ( $0 < \kappa \le g'_C \le L_g$ ) है।
यह ब्रिज सॉफ्ट विटनेस को डिकोड किए गए इनवेरिएंट के साथ एक प्रमेय-नुमा लिंक में बदल देता है। शोध पत्र प्रदर्शित करता है कि सरल एकतंत्रीयता (Monotonicity) अपर्याप्त है; अनियंत्रित एकतंत्रीयता (जैसे आइसोटोनिक रिग्रेशन) का लिप्सचिट्ज़ स्थिरांक अनंत हो सकता है, जिससे प्रमाणित होराइजन शून्य हो जाता है।

प्रयोगात्मक सेटअप (Experimental Setup)

फ्रेमवर्क का परीक्षण तीन कंजर्वेटिव सिस्टम्स पर किया गया है: साधारण पेंडुलम, हार्मोनिक ऑसिलेटर, और केप्लर टू-बॉडी प्रॉब्लम (एक सिंगुलर सिस्टम)।

निरूपण (Representations): अध्ययन जबकि प्रमाणित वस्तु को स्थिर रखते हुए इनपुट निरूपण को बदलता है:
1. स्टेट (State): कैनोनिकल कोऑर्डिनेट्स $(q, p)$ इनपुट हैं; रीडआउट आइडेंटिटी है।
2. लिफ्ट (Lift): लो-डायमेंशनल ऑब्जर्वेशन को एक सीखे गए लेटेंट चार्ट में एनकोड किया गया है; रीडआउट स्पष्ट (Clean) है।
3. पिक्सेल (Pixel): उच्च-आयामी चित्र इनपुट हैं; एक सीखा गया डिकोडर/रीडआउट महत्वपूर्ण त्रुटि पेश करता है।
मॉडल वेरिएंट्स:
- प्लेन (Plain): अनकन्स्ट्रेंड रेसिडुअल लेटेंट मैप।
- हार्ड सिम्प्लेक्टिक (Hard Symplectic): सिम्प्लेक्टिक होने के लिए बाधित लेटेंट इंटीग्रेटर्स (Störmer–Verlet, SympNet)।
- सॉफ्ट (B-self): एक सेल्फ-सुपरवाइज्ड स्केलर/वेक्टर विटनेस जिसे इनवेरिएंट रहने के लिए प्रशिक्षित किया गया है, जिसे ब्रिज के माध्यम से संरेखित किया गया है।

मुख्य परिणाम (Key Results)

1. स्टेट स्पेस (कैनोनिकल कोऑर्डिनेट्स)

ज्ञात फेज़ कोऑर्डिनेट्स में, हार्ड सिम्प्लेक्टिक स्ट्रक्चर स्पष्ट विजेता है।

केप्लर सिस्टम पर, हार्ड सिम्प्लेक्टिक मॉडल्स ने 3/3 सीड्स में नॉन-वैक्यूअस (Non-vacuous) जॉइंट-इनवेरिएंट सर्टिफिकेट प्राप्त किए, जबकि प्लेन मॉडल्स ने 0/3 प्राप्त किए।
प्रति-चरण इनवेरिएंट विचलन सिम्प्लेक्टिक मॉडल्स के लिए $\sim 7.6\times$ कम था।
निष्कर्ष: जब चार्ट ज्ञात होता है और भौतिक सिम्प्लेक्टिक फॉर्म से मेल खाता है, तो हार्ड प्रायर्स प्रभावी ढंग से काम करते हैं।

2. लर्नड लिफ्ट (लेटेंट कोऑर्डिनेट्स)

जब मॉडल लो-डायमेंशनल ऑब्जर्वेशन से एक चार्ट सीखता है, तो हार्ड सिम्प्लेक्टिक प्रायर्स विफल हो जाते हैं, जबकि सॉफ्ट इनवेरिएंट्स जीवित रहते हैं।

हार्ड सिम्प्लेक्टिक मॉडल्स (Verlet, SympNet) सांख्यिकीय रूप से प्लेन बेसलाइन्स के समान हो गए। सिम्प्लेक्टिक बाधा फ्लो के रूप को तो सुरक्षित रखती है, लेकिन एक मनमाने सीखे गए चार्ट के तहत भौतिक ऊर्जा के सापेक्ष संरक्षित स्केलर की पहचान को नहीं बचा पाती।
सॉफ्ट B-self इनवेरिएंट ने सीखे गए चार्ट को सफलतापूर्वक पार किया, जिससे $\approx 1.30$ का स्ट्रक्चर-गेन रेश्यो और 8 सीड्स पर $P(\text{soft} > \text{plain}) = 0.88$ की जीत दर प्राप्त हुई।
निष्कर्ष: हार्ड ज्योमेट्रिक प्रायर्स कोऑर्डिनेट-सेंसिटिव होते हैं और निरूपण सीखने के दौरान स्वतः जीवित नहीं रहते; बाय-लिप्सचिट्ज़ ब्रिज के माध्यम से संरेखित सॉफ्ट इनवेरिएंट अधिक मजबूत होते हैं।

3. पिक्सेल ऑब्जर्वेशन

पिक्सेल इनपुट के तहत प्रमाणन संभव है लेकिन एक रीडआउट-स्टेबल सब-ट्यूब तक ही सीमित है।

डिकोडर/रीडआउट टर्म अक्सर एरर बजट पर हावी हो जाता है।
एक "फ्रोजन रीडआउट-स्टेबल रूल" (उन बिंदुओं को छोड़कर जहाँ रीडआउट लिप्सचिट्ज़ स्कोर बहुत अधिक है) लागू करके, स्टेबलाइज्ड सॉफ्ट विटनेस ने नॉन-वैक्यूअस सर्टिफिकेट प्राप्त किए।
परिणाम: 9/10 सीड्स नॉन-वैक्यूअस थे (10/4 के मुकाबले), जिसमें शामिल किया गया अंश $\le 2.3\%$ था।
निष्कर्ष: पिक्सेल प्रमाणन एक बोधनात्मक (Perceptual) समस्या है; इसके लिए रीडआउट को स्थिर करना आवश्यक है ताकि एक ऐसा सब-ट्यूब मिल सके जहाँ डिकोड किया गया इनवेरिएंट विश्वसनीय हो।

4. केप्लर ज्योमेट्रिक बाउंड्री

केप्लर लिफ्ट ने एक अंतर्निहित ज्यामितीय सीमा को प्रकट किया।

विविध लेटेंट क्षमता और कानूनी मेट्रिक री-चार्टिंग के बावजूद, डिकोड किया गया जॉइंट-इनवेरिएंट सर्टिफिकेट पेरिअप्सिस (Periapsis) के पास विफल ( $T=0$ ) हो गया।
इस विफलता का कारण इनवर्स-स्क्वायर पोटेंशियल की पेरिअप्सिस के पास की कठोरता (Near-periapsis stiffness) है, जो छोटे $(q, p)$ एरर्स को बढ़ा देती है।
निष्कर्ष: यह एक सिस्टम-विशिष्ट ज्यामितीय सीमा है, न कि स्वयं संरक्षण प्रमाणन पद्धति की विफलता।

महत्व और दावे (Significance and Claims)

शोध पत्र का प्राथमिक योगदान एक निरूपण-मजबूती फ्रेमिंग (Representation-robustness framing) है। यह तर्क देता है कि:

प्रमाणित वस्तु मायने रखती है: सर्टिफिकेट्स को डिकोड किए गए भौतिक इनवेरिएंट से जोड़ा जाना चाहिए, न कि लेटेंट हैमिल्टनियन या अन-अलाइन्ड विटनेस से। एक मॉडल अपनी आंतरिक प्रॉक्सी को संरक्षित कर सकता है जबकि भौतिक रूप से विफल हो सकता है।
हार्ड बनाम सॉफ्ट प्रायर्स: हार्ड कैनोनिकल सिम्प्लेक्टिक स्ट्रक्चर कोऑर्डिनेट-सेंसिटिव है। यह ज्ञात फेज़ कोऑर्डिनेट्स में सबसे लंबे होराइजन देता है, लेकिन सीखे गए चार्ट को पार करने में विफल रहता है। इसके विपरीत, एक सॉफ्ट इनवेरिएंट, जिसे लेटेंट स्पेस में संरक्षित रहने के लिए प्रशिक्षित किया गया है और नियंत्रित-लिप्सचिट्ज़ ब्रिज के माध्यम से संरेखित किया गया है, निरूपण परिवर्तनों के अनुकूल रहता है।
एकतंत्रीयता (Monotonicity) अपर्याप्त है: सॉफ्ट विटनेस को भौतिक ऊर्जा के साथ संरेखित करने के लिए बाय-लिप्सचिट्ज़ कैलिब्रेशन की आवश्यकता होती है। केवल एकतंत्रीयता बहुत ढीली है और इससे वैक्यूअस (Vacuous) सर्टिफिकेट मिलते हैं।
ज्यामितीय सीमाएं: संरक्षण-संरेखित सर्टिफिकेट्स अंतर्निहित ज्यामितीय सिंगुलैरिटीज (जैसे केप्लर पेरिअप्सिस) के कारण विफल हो सकते हैं, जिसे कोई भी निरूपण लर्निंग या क्षमता स्केलिंग हल नहीं कर सकती।

लेखक इस कार्य को लॉन्ग-होराइजन विजन वर्ल्ड मॉडल्स के बेंचमार्क के रूप में नहीं, बल्कि एक मेथोडोलॉजिकल अध्ययन के रूप में प्रस्तुत करते हैं कि जब भौतिक इनवेरिएंट्स को सीखे गए निरूपणों के माध्यम से मूल्यांकित किया जाता है, तो क्या प्रमाणित किया जा सकता है। निष्कर्ष बताते हैं कि सीखे गए विश्व मॉडलों के लिए, या तो आपको उन निर्देशांकों में प्रमाणन करना होगा जहाँ सिम्प्लेक्टिक फॉर्म भौतिक है, या संरचनात्मक प्रायर्स को संरक्षित स्केलर के स्पष्ट अलाइनमेंट के साथ जोड़ना होगा।