⚡ electrical engineering

PHAST: Port-Hamiltonian Architecture for Structured Temporal Dynamics Forecasting

Dit paper introduceert PHAST, een port-Hamiltoniaanse architectuur die alleen op positiemetingen gebaseerde dynamica voorspelt door dissipatie expliciet te modelleren, waardoor het zowel stabiele langetermijnvoorspellingen mogelijk maakt als fysisch betekenisvolle parameters kan herstellen wanneer voldoende structurele ankers beschikbaar zijn.

Oorspronkelijke auteurs: Shubham Bhardwaj, Chandrajit Bajaj

Gepubliceerd 2026-02-23

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shubham Bhardwaj, Chandrajit Bajaj

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert het gedrag van de wereld te voorspellen: hoe een schommel stopt, hoe een elektrische schakeling afkoelt, of hoe populaties van roofdieren en prooidieren veranderen. In de echte wereld verliezen systemen altijd energie door wrijving, hitte of luchtweerstand. Ze zijn niet perfect; ze zijn dissipatief.

De meeste moderne AI-modellen zijn geweldig in het raden van patronen, maar ze vergeten vaak deze fundamentele natuurwetten. Ze kunnen een schommel een paar keer laten zwaaien, maar na verloop van tijd beginnen ze te hallucineren: de schommel begint steeds harder te zwaaien tot hij de lucht in vliegt, of hij stopt plotseling alsof er een onzichtbare muur is.

PHAST is een nieuwe manier om AI te bouwen die deze natuurwetten nooit vergeet. Het staat voor Port-Hamiltonian Architecture for Structured Temporal Dynamics. Laten we het uitleggen met een paar simpele metaforen.

1. De "Energie-Bankrekening"

Stel je een fysiek systeem voor als een bankrekening.

Potentiële energie (zoals een opgetilde schommel) is geld dat je op de rekening hebt staan.
Kinetic energie (beweging) is geld dat je uitgeeft om te rennen.
Wrijving (dissipatie) is de transactiekosten of belasting die je betaalt elke keer dat je beweegt.

In de echte wereld is de totale som van je geld altijd gelijk aan je startbedrag minus wat je aan kosten hebt betaald. Je kunt nooit meer geld hebben dan je begon met (tenzij iemand erbij doet).

De meeste AI-modellen kijken alleen naar de cijfers op het scherm en proberen de volgende regel te raden. Ze weten niet dat ze "geld" (energie) niet uit het niets mogen creëren. PHAST is een AI die altijd weet dat er een bankrekening bestaat. Het is zo ontworpen dat het nooit meer energie kan voorspellen dan er beschikbaar is. Als het systeem energie verliest door wrijving, ziet de AI dat en past het zijn voorspelling aan. Dit zorgt ervoor dat de voorspellingen stabiel blijven, zelfs als je uren in de toekomst kijkt.

2. De Drie Manieren van Leren (De Regimes)

PHAST is slim omdat het zich aanpast aan wat je al weet. Het werkt in drie scenario's:

Het "Alles Weten" Scenario (KNOWN):
Stel, je bouwt een schommel en je weet precies hoe zwaar het ijzer is en hoe de zwaartekracht werkt. Je weet alleen niet precies hoe sterk de wind waait. PHAST gebruikt je kennis over de zwaartekracht en het gewicht, en leert alleen de wind. Het resultaat is een perfecte voorspelling én je kunt precies zien hoeveel wrijving er is.
- Metafoor: Je hebt de blauwdruk van een auto. Je weet hoe de motor werkt. Je leert alleen hoe de banden slijten.
Het "Deels Weten" Scenario (PARTIAL):
Misschien weet je dat het een robotarm is en heb je de CAD-tekening (de vorm), maar je weet niet hoe de scharnieren slijten of hoe zwaar de arm precies is. PHAST gebruikt de tekening als basis en leert de rest.
- Metafoor: Je hebt een recept voor een taart (de structuur), maar je moet nog uitzoeken hoeveel suiker je precies moet doen om het perfect te maken.
Het "Zwarte Doos" Scenario (UNKNOWN):
Soms heb je geen idee wat er gebeurt. Misschien zijn het vissen in een vijver die je niet begrijpt. Dan leert PHAST alles van nul af, maar het houdt zich wel aan de regel: "Je mag nooit meer energie creëren dan er is." Zelfs zonder de regels te kennen, zorgt de structuur ervoor dat de AI niet gek wordt.
- Metafoor: Je ziet een danser die je niet kent. Je weet niet wie hij is, maar je weet dat hij niet kan zweven. Dus als hij springt, weet je dat hij weer naar beneden moet komen.

3. Waarom is dit zo belangrijk? (Stabiliteit vs. Begrip)

De auteurs ontdekten iets fascinerends: Goed voorspellen en de oorzaak begrijpen zijn twee verschillende dingen.

Stel je voor dat je een auto probeert te besturen.

Een AI die alleen probeert de weg te volgen (voorspellen), kan misschien heel goed rijden door de remmen te gebruiken als een "veiligheidsnet". Als de auto een beetje uit de bocht vliegt, remt hij hard. De auto blijft op de weg, maar de AI heeft geen idee hoe de remmen eigenlijk werken.
PHAST probeert niet alleen op de weg te blijven, maar leert ook hoe de remmen werken.

Als je PHAST de juiste hints geeft (bijvoorbeeld: "wees niet te agressief met remmen"), dan leert het niet alleen hoe de auto rijdt, maar ook precies hoeveel wrijving er is. Dit is cruciaal voor wetenschappers die willen begrijpen waarom iets gebeurt, niet alleen wat er gaat gebeuren.

4. Hoe werkt het technisch (in simpele taal)?

PHAST gebruikt een slimme truc genaamd Strang Splitting.
Stel je voor dat je een complexe dans moet leren. In plaats van alles in één keer te proberen, splitst PHAST de dans op in twee delen:

De Conservatieve Dans: De beweging zonder wrijving (zoals een schommel in de ruimte). Dit is een perfecte, ronde dans.
De Wrijvings-Dans: De beweging waarbij energie wordt afgevoerd (zoals wrijving op de grond).

PHAST doet een halve stap van de wrijvings-dans, dan een hele stap van de conservatieve dans, en nog een halve stap van de wrijvings-dans. Door deze stappen zo te combineren, blijft de "energie-balans" perfect in evenwicht, zelfs als de computer de berekening in kleine stukjes doet.

Samenvatting

PHAST is een nieuwe generatie AI die de natuurwetten van energie en wrijving in zijn DNA heeft verwerkt.

Voor de toekomst: Het kan veel langer en stabieler voorspellen dan andere AI's, zonder dat het "dwaas" wordt.
Voor de wetenschap: Het kan de echte oorzaken (zoals wrijving of massa) terugvinden, mits je het de juiste hints geeft.
Voor de wereld: Of het nu gaat over robots, elektrische circuits, of ecologische systemen, PHAST zorgt ervoor dat de computer zich gedraagt zoals de echte natuur: realistisch, stabiel en begrijpelijk.

Kortom: PHAST is de AI die niet alleen de film van de toekomst afspeelt, maar ook begrijpt hoe de projector werkt.

Titel: PHAST: Port-Hamiltonian Architectuur voor Gestructureerde Temporele Dynamica Voorspelling

Auteurs: Shubham Bhardwaj en Chandrajit Bajaj (Universiteit van Texas at Austin & Mihawk.ai)

1. Het Probleem

Het voorspellen van de toekomstige toestanden van dynamische systemen op basis van waarnemingsdata is een kernprobleem in wetenschappelijk machine learning. De uitdagingen zijn:

Dispersie (Dissipatie): De meeste reële fysieke systemen (zoals een slinger met luchtweerstand of een RLC-circuit) verliezen energie over tijd. Bestaande methoden zoals Hamiltoniaanse Neurale Netwerken (HNN) zijn vaak ontworpen voor conservatieve systemen (geen energieverlies) en falen bij dissipatie.
De $q$ -only (alleen positie) uitdaging: In veel praktische scenario's (bijv. robotica of visuele waarneming) worden alleen de gegeneraliseerde posities ( $q_t$ ) gemeten. De momenta ( $p_t$ ) zijn latent (niet gemeten). Het leren van een stabiel model dat alleen op basis van posities lange-termijn voorspellingen doet, is extreem moeilijk omdat de fase-ruimte-toestand onvolledig is.
Identificeerbaarheid: Zelfs als een model goede voorspellingen doet, kunnen de geleerde parameters (zoals demping of massa) fysisch betekenisloos zijn. Zonder extra structuur is het invers probleem "ill-posed" (onderbepaald) door "gauge freedom": verschillende combinaties van massa, potentieel en demping kunnen identieke trajecten genereren.

2. Methodologie: PHAST

De auteurs introduceren PHAST (Port-Hamiltonian Architecture for Structured Temporal dynamics), een architectuur die de principes van Port-Hamiltonian systemen combineert met diepe leermethodes om dissipatieve systemen te modelleren.

A. Port-Hamiltonian Raamwerk

Het systeem wordt gemodelleerd via de vergelijking:
$\dot{x} = (J - R)\nabla H(x)$
Waarbij:

$x = (q, p)$ de fase-ruimte toestand is.
$J$ de skew-symmetrische matrix is die conservatieve energie-uitwisseling beschrijft.
$R$ de dissipatiematrix is (positief semi-definiet, $R \succeq 0$ ), die energieverlies modelleert.
$H(x) = V(q) + T(q, p)$ de Hamiltoniaan (totale energie) is, opgebouwd uit potentieelenergie $V$ , kinetische energie $T$ (afhankelijk van massa $M$ ), en demping $D$ .
Dit raamwerk garandeert per constructie dat de energie niet toeneemt ( $\frac{dH}{dt} \leq 0$ ), wat stabiliteit biedt.

B. Drie Kennisregimes

PHAST is flexibel en werkt in drie scenario's, afhankelijk van hoeveel fysieke kennis vooraf bekend is:

KNOWN: De potentieel $V(q)$ en massa $M(q)$ zijn bekend (uit de fysica). Alleen de demping $D(q)$ wordt geleerd. Dit maakt het probleem volledig identificeerbaar.
PARTIAL: De vorm van $V(q)$ of $M(q)$ is bekend (bijv. uit CAD-modellen), maar parameters moeten worden geleerd. Dit breekt de "gauge freedom" en maakt de resterende parameters identificeerbaar.
UNKNOWN: Geen fysieke kennis is beschikbaar; $V$ , $M$ en $D$ worden allemaal geleerd als neurale netwerken. Dit is een "black-box" benadering, maar behoudt nog steeds de stabiliteitseigenschappen van het Port-Hamiltonian raamwerk.

C. Architectuur en Implementatie

De pipeline voor $q$ -only data bestaat uit drie fasen:

Velocity Observer: Een causale Temporal Convolutional Network (TCN) schat de snelheid $\dot{q}$ uit een korte geschiedenis van posities.
Canonicalizer: Deze map de geschatte snelheid naar een geschatte momentum $\hat{p}$ (bijv. $\hat{p} = M(q)\hat{\dot{q}}$ ).
PHAST Core: De dynamica worden geïntegreerd met Strang splitting. Dit is een structuurbehoudende integrator die de conservatieve stap (symplectisch) en de dissipatieve stap (demping) afwisselt.

D. Technische Innovaties

Householder-achtige Parameterisatie: Om te garanderen dat de demping $D(q)$ positief semi-definiet is en de massa $M(q)$ positief definiet, worden deze gemodelleerd als lage-rang uitbreidingen (low-rank outer-product expansions). Dit zorgt voor efficiënte berekeningen ($O(nr)$) en garandeert fysieke geldigheid.
Gedempte Demping: Om te voorkomen dat het model demping gebruikt als een "fouten-emmer" (waardoor echte fysieke parameters niet worden geleerd), wordt de totale dempingssterkte begrensd.
Twee-as Evaluatie: De auteurs scheiden expliciet voorspellingsstabiliteit (MSE van de rollout) van identificeerbaarheid (hoe goed worden de fysieke parameters zoals demping hersteld).

3. Belangrijkste Resultaten

De auteurs evalueren PHAST op 13 benchmarks over zes domeinen: mechanica (slingers, cart-pole, dubbele slinger), elektriciteit (RLC-circuit), moleculair (Lennard-Jones), thermisch (warmte-uitwisseling), gravitatie (N-lichaam) en ecologie (roofdier-prooi).

Voorspellingsprestaties: PHAST overtreft concurrenten (zoals S5, LinOSS, Transformers, HNN) aanzienlijk op lange-termijn open-loop voorspellingen, vooral bij dissipatieve en chaotische systemen.
- Voorbeeld: Bij de "Windy Pendulum" (slinger met positiesafhankelijke demping) reduceert PHAST de fout met een factor 4.7 ten opzichte van de beste baseline.
Identificeerbaarheid:
- In het KNOWN regime herstelt PHAST de ware dempingsfunctie bijna perfect ( $R^2 \approx 0.996$ ).
- In het PARTIAL regime, met een fysiek gekalibreerde bovengrens voor demping, wordt de demping ook goed hersteld.
- Zonder deze grenzen (unbounded) kunnen modellen goede voorspellingen doen maar fysisch onzin genereren (negatieve $R^2$ voor demping).
Stabiliteit: Dankzij de Port-Hamiltonian structuur en Strang splitting blijven de rollouts fysiek consistent (energie neemt niet onredelijk toe), zelfs bij lange horizons waar andere modellen divergeren.

4. Bijdragen

Unificatie: Een enkele architectuur die drie kennisregimes (KNOWN, PARTIAL, UNKNOWN) ondersteunt door componenten uit te wisselen.
Efficiënte Parameterisatie: Lage-rang uitbreidingen die definitieitsconstraints (positiviteit van massa en demping) garanderen zonder zware berekeningen.
Identificeerbaarheid door Beperking: Het bewijs dat het begrenzen van de dempingssterkte essentieel is om fysieke parameters te kunnen herleiden uit data.
Structuurbehoudende Integratie: Toepassing van Strang splitting voor dissipatieve systemen.
Twee-as Evaluatie: Een nieuw evaluatiekader dat laat zien dat goede voorspelling niet automatisch goede fysieke interpretatie betekent.

5. Betekenis en Toekomst

Dit werk is significant omdat het de kloof overbrugt tussen data-gedreven voorspelling en fysieke wetten, specifiek voor dissipatieve systemen met onvolledige observaties.

Het toont aan dat structurele priors (fysieke kennis) belangrijker kunnen zijn dan extra modelcapaciteit voor lange-termijn stabiliteit.
Het biedt een kader voor "grey-box" modellering, waarbij bekende fysica wordt gecombineerd met geleerde componenten (zoals wrijving).
Toekomstig werk richt zich op het uitbreiden naar complexe systemen (meerdere lichamen, continuümmechanica) en het integreren met online schatting en regeling (bijv. Model Predictive Control).

Kortom, PHAST biedt een robuust, fysiek gefundeerd raamwerk voor het leren van de dynamica van de echte wereld, waar energie altijd verloren gaat en niet alles direct gemeten kan worden.