Learning Physical Systems: Symplectification via Gauge Fixing in Dirac Structures

이 논문은 다체 로봇 및 접촉이 풍부한 시스템과 같은 소산성 구속계를 고차원 매니폴드로 확장하여 비퇴화 심플렉틱 기하학을 복원하는 '프레심플렉티피케이션 네트워크 (PSNs)'를 제안함으로써, 물리 법칙을 기반으로 한 심층 학습과 구속된 기계적 시스템 간의 간극을 해소합니다.

핵심

1. 문제 상황: "미끄러운 얼음 위를 걷는 로봇"

일반적인 물리 법칙을 배우는 인공지능 (딥러닝) 은 마치 완벽하게 매끄러운 얼음 위를 걷는 상황을 가정합니다. 여기서 에너지는 사라지지 않고, 운동량도 그대로 유지됩니다. 이런 환경에서는 로봇이 앞으로 얼마나 갈지 아주 정확하게 예측할 수 있습니다.

하지만 현실의 로봇 (예: 개처럼 네 발로 걷는 'ANYmal' 로봇) 은 다릅니다.

• 발이 땅에 닿는 순간 (접촉): 로봇의 발이 땅에 닿으면 에너지가 소모되고 (마찰), 발이 땅에 고정되는 제약이 생깁니다.
• 결과: 인공지능은 이 복잡한 상황을 처리하느라 혼란에 빠집니다. 마치 얼음 위를 걷다가 갑자기 진흙탕에 발이 걸린 것처럼, 예측이 빗나가거나 로봇이 제자리에서 멈추는 등 오류가 쌓여 결국 시스템이 붕괴됩니다.

2. 해결책: "보이지 않는 3 층 건물을 짓다"

이 논문은 이 문제를 해결하기 위해 **"Presymplectification Networks (PSN)"**이라는 새로운 방법을 제안합니다. 이를 쉽게 비유하자면 다음과 같습니다.

비유: 2 차원 그림을 3 차원 입체 모형으로 바꾸기

• 기존 방식 (2 차원): 로봇의 움직임을 평면 (2 차원) 그림으로만 보려고 하면, 발이 땅에 닿는 순간 그림이 찢어지거나 뭉개져 보입니다. (수학적으로 '퇴화'된 상태)
• 새로운 방식 (3 차원): 이 논문은 로봇의 움직임을 더 높은 차원의 공간 (3 차원 또는 그 이상) 으로 끌어올립니다.
  • 마치 평면 그림을 입체 모형으로 바꾸는 것처럼, 로봇의 '에너지 손실'과 '제약 조건'을 **새로운 가상의 층 (Auxiliary Coordinates)**에 따로 저장해 둡니다.
  • 이 새로운 공간에서는 마찰이나 제약이 더 이상 '문제'가 아니라, 시스템의 일부로 자연스럽게 녹아듭니다.

3. 작동 원리: "두 단계로 이루어진 마법"

이 시스템은 두 가지 단계로 작동합니다.

1 단계: '리프트 (Lift)' - 문제를 해결할 공간으로 옮기기

• GRU(순환 신경망) 와 흐름 매칭 (Flow Matching): 로봇이 현재 어떤 상태인지 (발이 땅에 닿았는지, 에너지를 잃었는지) 분석합니다.
• 비유: 로봇의 현재 상태를 분석해서, **"이제부터는 이 복잡한 문제를 해결할 수 있는 특별한 고층 빌딩 (고차원 공간) 으로 이동하자"**라고 선언합니다. 이 과정에서 로봇이 잃어버린 에너지나 제약 조건을 '가상의 계수 (Lagrange Multipliers)'라는 이름으로 빌딩의 다른 층에 안전하게 보관합니다.

2 단계: '예측' - 완벽한 규칙으로 움직이기

• SympNet (심플렉틱 네트워크): 이제 로봇은 그 고층 빌딩 안에서 움직입니다. 이 공간에서는 물리 법칙이 완벽하게 지켜지므로 (에너지 보존 등), 인공지능은 매우 정확하게 로봇이 다음 순간에 어디로 갈지 예측할 수 있습니다.
• 비유: 빌딩 안에서는 마찰도, 제약도 없는 이상적인 환경이므로 로봇은 아주 매끄럽게, 그리고 에너지 손실 없이 움직입니다.

3 단계: '내려오기' - 현실로 돌아오기

• 예측이 끝난 후, 다시 2 차원 현실 (땅 위) 로 내려와서 실제 로봇의 다음 위치를 계산합니다. 이때까지의 과정이 완벽하게 연결되어 있어, 예측 오차가 거의 없습니다.

4. 왜 이것이 중요한가요?

기존의 방법들은 로봇이 넘어지거나 발이 미끄러지는 상황을 '수치적으로 보정'하려 했지만, 근본적인 물리 법칙을 무시했기 때문에 장기적인 예측이 불가능했습니다.

이 논문은 **"문제를 무시하지 말고, 문제를 포함할 수 있는 더 큰 공간으로 확장하자"**는 아이디어를 제시합니다.

• 결과: ANYmal 이라는 복잡한 4 발 로봇의 움직임을 실험해 본 결과, 실제 데이터와 예측 데이터가 거의 완벽하게 일치했습니다.
• 의의: 이는 로봇이 넘어지거나, 복잡한 환경에서 움직일 때도 인공지능이 물리 법칙을 잊지 않고 장기적으로 정확하게 예측할 수 있게 해줍니다.

요약

이 논문은 **"복잡하고 까다로운 로봇의 움직임을 예측할 때, 문제를 해결할 수 있는 더 넓은 공간 (고차원) 으로 문제를 옮겨서 해결한 뒤, 다시 현실로 가져오는 방법"**을 개발했습니다.

마치 복잡한 퍼즐을 풀 때, 조각을 떼어내어 더 넓은 테이블 위에 펼쳐서 정리한 뒤 다시 조립하는 것과 같습니다. 이 덕분에 로봇은 이제 넘어지거나 미끄러져도, 인공지능이 그 움직임을 완벽하게 이해하고 예측할 수 있게 되었습니다.

기술 요약

논문 개요

이 논문은 마찰 (소산) 이 존재하고 홀로노믹 (holonomic) 제약 조건을 가진 물리 시스템 (예: 보행 로봇, 다체 시스템) 에서 기존 물리 정보 기반 딥러닝 (Physics-Informed Deep Learning) 이 겪는 한계를 해결하기 위해 제안된 새로운 프레임워크인 **예비 심플렉틱 네트워크 (Presymplectification Networks, PSNs)**를 소개합니다. 저자들은 디랙 (Dirac) 구조를 활용하여 퇴화된 심플렉틱 형식을 비퇴화형으로 복원하는 '심플렉티피케이션 (Symplectification)' 과정을 학습 가능한 신경망 아키텍처로 구현했습니다.

---

1. 문제 정의 (Problem Statement)

• 기존 접근법의 한계: 최근 심플렉틱 신경망 (SympNets), 해밀토니안 신경망 (HNNs) 등은 에너지와 운동량 보존 법칙을 내재화하여 장기 예측 정확도를 높였습니다. 그러나 이러한 방법들은 비퇴화 (non-degenerate) 심플렉틱 형식 ($\omega = dq \wedge dp$) 을 전제로 합니다.
• 실제 시스템의 문제: 보행 로봇 (Legged Locomotion) 과 같은 다체 시스템은 지면 접촉 (Contact) 과 관절 제약 (Holonomic Constraints) 으로 인해 위상 공간 (Phase Space) 이 퇴화됩니다. 이로 인해 심플렉틱 형식이 더 이상 보존되지 않아, 에너지 발산, 제약 조건 이탈 (Constraint Drift), 그리고 훈련 데이터 외의 상황에서의 취약한 일반화 문제가 발생합니다.
• 핵심 과제: 소산과 제약 조건이 공존하는 시스템에서 심플렉틱 기하학적 구조를 어떻게 복원하여 구조 보존 (Structure-preserving) 학습을 가능하게 할 것인가?

---

2. 방법론 (Methodology)

저자들은 디랙 구조 (Dirac Structures) 이론을 기반으로 시스템을 고차원의 심플렉틱 매니폴드로 '리프트 (Lift)'하는 PSN을 제안했습니다. 전체 파이프라인은 다음과 같은 단계로 구성됩니다.

가. 디랙 리프트 (Dirac Lift) 및 심플렉티피케이션

• 원래의 퇴화된 위상 공간 $(T^*Q, \omega)$을 고차원의 확장된 위상 공간 $(T^*\tilde{Q}, \tilde{\Omega})$으로 매핑합니다.
• 확장 좌표계:
  • 시계 좌표 $q_0 = t$ 및 그 켤레 운동량 $p_0$ (비보존적 에너지, 소산, 제어 입력 포함).
  • 라그랑주 승수 $\lambda_a$ 및 그 켤레 운동량 $\pi_a$ (제약 조건 및 접촉 힘).
• 확장된 공간에서는 새로운 심플렉틱 형식 $\tilde{\Omega}$가 비퇴화형이 되어, 기존 심플렉틱 이론 (리우빌 정리 등) 을 적용할 수 있게 됩니다.
• 게이지 고정 (Gauge Fixing): 디랙 게이지 조건 ($q_0=t, \pi_a=0$ 등) 을 부과하여 원래의 물리 동역학을 복원합니다.

나. 아키텍처: Presymplectification Network (PSN)

1. 인코더 (Encoder):
   • GRU (Gated Recurrent Unit) 와 선형 헤드를 사용하여, 제어 입력과 시간 정보를 기반으로 확장된 켤레 운동량 ($p_0, \pi$) 을 예측합니다.
   • Flow Matching Objective: 실제 데이터의 속도장 ($v^*$) 과 네트워크가 유도한 속도장 간의 오차를 최소화하는 방식으로 학습합니다. 이는 물리 법칙을 직접 측정할 필요 없이 데이터 기반의 흐름 매칭을 가능하게 합니다.
   • Implicit Midpoint Layer: 연속 시간 GRU 형식을 사용하여 심플렉틱 적분과 호환되는 이산화를 수행합니다.
2. SympNet 스텝 예측기 (Downstream Task):
   • 학습된 PSN 을 통해 확장된 위상 공간으로 데이터를 리프트한 후, 경량 SympNet을 연결하여 다음 시간 단계의 상태를 예측합니다.
   • SympNet 은 설계 단계에서 심플렉틱성을 보장하므로, 확장된 공간에서의 예측은 에너지와 운동량을 보존합니다.

---

3. 주요 기여 (Key Contributions)

1. 최초의 PSN 프레임워크: 제약 조건이 있는 소산 시스템을 고차원 심플렉틱 매니폴드로 리프트하는 전체 과정을 학습하는 첫 번째 신경망 아키텍처를 제안했습니다.
2. Flow Matching 기반 학습: 물리량 (접촉력 등) 의 정밀한 측정이 어려운 환경에서도 데이터 기반의 흐름 매칭 (Flow Matching) 과 디랙 리프트를 결합하여 효율적인 학습을 가능하게 했습니다.
3. 실제 로봇 적용 검증: 복잡한 접촉과 비홀로노믹 제약을 가진 ANYmal 4 족 보행 로봇의 동역학 예측에 성공적으로 적용하여, 기존 방법론이 실패하는 환경에서도 높은 정확도와 안정성을 입증했습니다.

---

4. 실험 결과 (Results)

• 데이터셋: ANYmal 4 족 로봇의 시뮬레이션 데이터 (비정형 환경에서의 보행) 를 사용했습니다.
• 성능:
  • 운동량 예측: PSN 은 실제 값과 매우 유사하게 켤레 운동량 $p_0$ (소산 및 제어 에너지) 을 예측했습니다 (Fig. 2).
  • 동역학 예측: 3D 보행 경로, 각운동량, 관절 각도 및 운동량 예측 결과에서 실제 값 (Yellow) 과 예측 값 (Green) 이 거의 완벽하게 겹쳤습니다 (Fig. 3).
  • 장기적 안정성: 에너지 발산이나 제약 조건 이탈 없이 긴 시간 동안의 동역학을 정확하게 예측했습니다.

---

5. 의의 및 결론 (Significance & Conclusion)

• 이론적 통합: 물리학의 제 1 원리 (First Principles) 인 디랙 구조와 데이터 기반 딥러닝을 성공적으로 결합했습니다. 이는 소산과 제약이 공존하는 복잡한 물리 시스템을 심플렉틱 기하학의 틀 안에서 모델링할 수 있는 길을 열었습니다.
• 로봇공학 적용: 접촉이 빈번한 보행 로봇, 다체 시스템 등 기존 심플렉틱 학습이 적용하기 어려웠던 분야에 새로운 해결책을 제시합니다.
• 미래 전망: 향후 심플렉틱 흐름 매칭 (Symplectic Flow Matching) 의 완전한 구현, 다단계 예측 (Multi-step prediction), 그리고 자동화된 접촉 발견 (Contact Discovery) 등을 통해 더욱 정교한 물리 지능 (Physical Intelligence) 모델 개발이 가능할 것으로 기대됩니다.

결론적으로, 이 논문은 퇴화된 물리 시스템을 고차원 심플렉틱 공간으로 변환하여 학습하는 'Presymplectification Networks'를 통해, 제약 조건과 소산이 있는 복잡한 로봇 시스템에 대해 에너지와 운동량을 보존하는 고품질 예측 모델을 구축하는 획기적인 방법을 제시했습니다.