⚡ electrical engineering

Learning Dynamics from Input-Output Data with Hamiltonian Gaussian Processes

本論文は、速度や運動量データを必要とせず、入力・出力データのみから非保存系を含む物理的に整合的な力学モデルを構築するための、ハミルトニアンガウス過程を用いた完全ベイズ推定手法を提案し、その有効性を検証するものである。

原著者： Jan-Hendrik Ewering, Robin E. Herrmann, Niklas Wahlström, Thomas B. Schön, Thomas Seel

公開日 2026-04-16

📖 1 分で読めます☕ さくっと読める

原著者： Jan-Hendrik Ewering, Robin E. Herrmann, Niklas Wahlström, Thomas B. Schön, Thomas Seel

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

この論文は、**「目に見えない『エネルギーの法則』を、位置のデータだけで見つけ出す新しい AI の仕組み」**について書かれています。

専門用語を抜きにして、わかりやすい例え話で解説しますね。

1. 従来の問題：「車の速度計」がないと学習できない？

これまでに「物理法則（エネルギー保存の法則など）を AI に教えて、動きを予測させる」研究はありました。しかし、それには大きな欠点がありました。

従来の方法： 車の「位置」だけでなく、「速度」や「回転力（運動量）」というデータも必要でした。
現実の壁： でも、実際の工場やロボットでは、位置（どこにいるか）は測れても、速度や回転力を直接測るセンサーは高価だったり、ノイズ（誤差）で壊れやすかったりします。
無理やり測る方法： 位置のデータから計算で速度を推測しようとすると、小さなノイズが大きな誤差になってしまい、AI が混乱してしまいます。

つまり、「速度計がないと、物理法則を学ぶ AI は動けない」というジレンマがありました。

2. この論文の解決策：「位置」だけから「エネルギーの地図」を描く

この論文の著者たちは、**「速度のデータがなくても、位置のデータ（入力と出力）だけで、物理法則を学べる新しい AI」**を開発しました。

例え話：「暗闇で触って、お菓子の形を覚える」

従来の AI： お菓子の形を覚えるには、「触る（位置）」だけでなく、「重さ（速度）」も測らなければなりませんでした。
新しい AI： 重さは測れなくても、指で触った感触（位置の変化）から、「あ、これは丸いお菓子だ」「ここは少し硬い（エネルギーが溜まっている）」と、「お菓子の形（エネルギーの法則）」そのものを想像して描き出すことができます。

3. 使われている技術：「ハミルトニアン・ガウス過程」って何？

この AI は、**「ハミルトニアン（エネルギーの法則）」**という物理のルールを頭に入れて学習します。

ハミルトニアン： 機械や物体がどう動くかを決める「エネルギーの地図」のようなものです。
ガウス過程（GP）： この「地図」を、データがなくても「不確実性（どこまで信じていいか）」を含めて描ける、とても賢い描画ツールです。

この論文のすごいところは、この「描画ツール」を**「低ランク（簡略化）」**にしたことです。

メリット： 従来の方法は、データが増えると計算が重すぎて「重すぎて動かない（渋滞）」状態になりました。しかし、この新しい方法は、**「データ量が増えても、計算がサクサク動く」**ように工夫されています。

4. 学習の仕組み：「探偵ゲーム」のような推測

この AI は、以下の 3 つを同時に推測します。

隠れた状態： 速度やエネルギーなど、直接測れていない「隠れた情報」。
地図の形： エネルギーの法則そのもの（ハミルトニアン）。
摩擦などのパラメータ： 空気抵抗や摩擦（エネルギーが失われる度合い）など。

例え話：「霧の中の自転車」
あなたが霧の中で自転車をこいでいるとします。

入力： ペダルを踏む力（u）。
出力： 自転車の位置（y）。
未知： 速度、風の強さ、摩擦、坂の角度。

この AI は、「ペダルを踏んだら、位置がこう動いた」というデータだけを見て、**「あ、この自転車は摩擦が少しあるな」「坂はこんな傾きがあるな」「速度はこれくらいだったはずだ」**と、まるで探偵が証拠から真相を推理するように、すべてを確率（「こうである可能性が高い」という範囲）で推測します。

5. 結果：どんなことができた？

彼らは、複雑な動きをする「振り子」のようなシミュレーションでテストしました。

結果： 速度のデータが一切ない（位置だけ）状況でも、「摩擦の強さ」や「エネルギーの法則」を非常に正確に学び取ることができました。
特徴： 従来の方法（速度データが必要）と比べて、精度はほとんど落ちず、しかも計算が速いという「一石二鳥」の結果でした。

まとめ：なぜこれが重要なのか？

この技術は、**「センサーが少なくても、物理法則を理解した AI を作れる」**ことを証明しました。

将来の応用： 高価なセンサーがなくても、ロボットを安全に制御したり、複雑な機械の故障予知をしたりできるようになります。
安心感： AI が「わからない部分」を「わからない」として教えてくれる（不確実性の定量化）ため、危険な作業でも安心して使えます。

一言で言えば、**「不完全なデータ（位置だけ）から、物理の『真実（エネルギーの法則）』を、確率というレンズを通して鮮明に浮かび上がらせる新しい魔法」**です。

以下は、提示された論文「Learning Dynamics from Input-Output Data with Hamiltonian Gaussian Processes（ハミルトニアンガウス過程を用いた入力 - 出力データからの動力学学習）」の技術的な要約です。

1. 研究の背景と課題（Problem）

物理法則（特にエネルギー保存則）を学習モデルに組み込むことは、限られたデータから物理的に整合性のある動力学モデルを構築し、モデルベース制御などに活用する上で重要です。近年、ハミルトニアン力学をガウス過程（GP）に組み込む手法が提案されていますが、既存の手法には以下の重大な制限がありました。

状態変数の完全観測への依存: 既存のハミルトニアン GP 手法の多くは、位置だけでなく運動量（または速度）データの観測を学習に必要としています。しかし、実際の物理システムでは速度や運動量を直接測定できないことが多く、位置データから数値微分を行うとノイズに極めて敏感になるという問題があります。
非保存系の扱いの限界: 外部からの力や摩擦（散逸）によるエネルギーのやり取りを扱う非保存系のモデル化において、既存手法は運動量データに依存しており、実用的な入力 - 出力データのみからの学習が困難でした。
計算コストと不確実性の定量化: 既存の GP 手法は学習データ数に対して計算コストが高くなる傾向があり、また構造パラメータ（減衰係数など）の不確実性をベイズ推定で定量化する手法が不足していました。

本研究は、運動量や速度の観測データなしに、入力（外力など）と出力（位置など）のデータのみから、非保存系を含む物理的に整合性のある動力学モデルを学習し、かつ不確実性を定量化することを目的としています。

2. 提案手法（Methodology）

著者らは、以下の要素を組み合わせた新しいフレームワークを提案しています。

A. 非保存系ハミルトニアンガウス過程モデル

ハミルトニアンのモデル化: システムのエネルギーを表すハミルトニアン関数 $H(x)$ をゼロ平均ガウス過程としてモデル化します。
低ランク近似（Reduced-Rank GP）: 従来の GP は計算コストが高い（ $O(T^3)$ ）ため、Solin と Särkkä（2020）の手法に基づき、固有関数展開を用いた低ランク GPを採用しました。これにより、ハミルトニアンの勾配 $\nabla_x H$ をパラメータ線形な形式で表現でき、計算複雑度をデータ数に依存しない $O(M)$ に抑えています。
非保存性の定式化: 状態方程式を以下のように定式化し、外部入力 $u$ と散逸行列 $R$ を含めることで、環境とのエネルギー交換を表現します。
$\dot{x} = (J(x) - R(x)) \nabla_x H(x) + G(x)u + w$
ここで、 $J$ は歪対称行列（エネルギー保存）、 $R$ は対称半正定値行列（散逸）、 $G$ は入力行列です。

B. 完全ベイズ推定による学習（Fully Bayesian Inference）

入力 - 出力データのみから、隠れ状態（運動量など）とモデルパラメータを同時に推定するために、**粒子ギブス法（Particle Gibbs）**に基づく推論アルゴリズムを提案しました。

潜在変数の推定: 状態 $x_t$ とハミルトニアンの勾配 $h_t$ を潜在変数として扱い、条件付き Sequential Monte Carlo (SMC) でサンプリングします。
パラメータの推定:
- GP パラメータ（ $\theta$ ）: 共役事前分布（Normal-Inverse-Gamma）を利用し、状態推定結果から**閉形式（closed-form）**で事後分布を計算します。
- ハイパーパラメータ（ $\vartheta$ ）: カーネルパラメータ（長さスケールなど）や構造パラメータ（減衰係数 $d$ など）については、メトロポリス・ヘイスティングス法（Metropolis-Hastings）を用いたギブスサンプリングを行います。

このアプローチにより、未知の隠れ状態、GP ハイパーパラメータ、および構造パラメータ（減衰係数など）の確率密度関数を同時に推定できます。

3. 主な貢献（Key Contributions）

入力 - 出力データのみからの学習: 速度や運動量の観測を必要とせず、位置データと入力データのみからハミルトニアン動力学を学習する初の手法の一つです。
非保存系の扱い: 外部入力と散逸（摩擦など）を自然に組み込んだ非保存系ハミルトニアン GP モデルを提案しました。
完全ベイズ推定と不確実性定量化: 構造パラメータ（例：減衰係数）を含むすべての未知パラメータの確率分布を推定し、モデルの不確実性を定量化します。
計算効率の向上: 低ランク GP 近似を採用することで、大規模データや実時間適用における計算コストを大幅に削減し、閉形式の勾配計算を可能にしました。
既存手法との比較: 表 1 に示すように、既存のハミルトニアン GP 手法（運動量データ依存、頻度論的推定、計算コスト高など）に対し、本手法は「入力 - 出力データ対応」「散逸対応」「ベイズ推定」「計算効率」のすべてを満たしています。

4. 実験結果（Results）

非調和振動子（Non-harmonic oscillator）を用いたシミュレーションで評価を行いました。

精度: 入力 - 出力データのみから学習したモデルは、完全な状態（位置＋運動量）データを用いた既存手法（Beckers et al., 2022）と同等の精度で、ハミルトニアンの勾配場（フローマップ）を再現しました。
物理的整合性: 学習されたモデルは、外部入力が停止した後のエネルギー減少（散逸）や、入力によるエネルギー増加を正しく捉えており、物理法則に従った挙動を示しました。
不確実性の定量化: 隠れ状態（運動量）や減衰係数 $d$ の事後分布を推定でき、真の値の周りに確率的に集中していることが確認されました（入力 - 出力データの場合、識別性の問題によりわずかなバイアスは生じましたが、分布として推定可能でした）。
計算コスト: 低ランク GP により、予測時の計算量がデータ数に依存せず、効率的であることを示しました。

5. 意義と結論（Significance）

本研究は、物理情報付き機械学習（Physics-informed ML）と物理的に整合性のあるベイズシステム同定の架け橋となる重要な成果です。

実用性の向上: 速度センサーが不要な実世界のシステム（ロボットアーム、構造物など）において、限られたセンサーデータから高精度で信頼性の高い動力学モデルを構築できる可能性があります。
制御への応用: 不確実性を定量化した物理モデルは、安全な学習制御（Safe Learning）や確率的モデル予測制御（MPC）に直接活用でき、複雑なシステムにおけるモデルベース制御の実現を促進します。
今後の課題: 高次元問題における計算コストの増大や、入力 - 出力データのみからの識別可能性（Identifiability）の理論的解析が今後の課題として挙げられています。

総じて、本論文は「運動量データなしで、かつ物理法則を遵守しつつ、不確実性を定量化した動力学モデルを学習する」という長年の課題に対する有効な解決策を提示しています。