Discovery of Symbolic Hamiltonian Expressions with Buckingham-Symplectic Networks

O artigo apresenta o BuSyNet, uma arquitetura de aprendizado profundo que descobre expressões simbólicas de Hamiltonianos dimensionalmente consistentes e interpretáveis, mapeando trajetórias para variáveis ação-ângulo latentes e superando métodos atuais em precisão e estabilidade de previsões de longo prazo para sistemas físicos como o oscilador harmônico e o problema de Kepler.

O essencial

Imagine que você está tentando prever o futuro de um sistema físico, como um planeta orbitando o Sol ou um pêndulo balançando. A física nos diz que esses sistemas seguem regras muito rígidas: a energia nunca desaparece (ela apenas muda de forma) e o movimento tem uma geometria específica e perfeita.

O problema é que, quando usamos Inteligência Artificial (IA) comum para aprender essas regras a partir de dados, ela muitas vezes "alucina". Ela pode prever que o planeta vai espiralar para fora ou que o pêndulo vai parar sozinho, violando as leis da física. Isso acontece porque a IA comum não entende conceitos como "unidades de medida" (quilogramas, segundos, joules) ou a geometria especial desses movimentos.

Os autores deste artigo criaram uma nova IA chamada BuSyNet (uma mistura de Buckingham e Symplectic) que resolve esse problema. Vamos explicar como ela funciona usando analogias simples:

1. O Problema: A IA que não sabe contar

Imagine que você tenta ensinar uma criança a cozinhar, mas você só mostra fotos dos ingredientes e não diz as quantidades. A criança pode tentar fazer um bolo usando 100kg de farinha e 1 colher de chá de açúcar. O resultado será um desastre.

Da mesma forma, as IAs antigas misturavam números de coisas diferentes (como massa e velocidade) sem respeitar as unidades físicas. Elas também não entendiam que, em sistemas perfeitos, a energia deve ser conservada.

2. A Solução: O "Tradutor" de Movimentos (BuSyNet)

O BuSyNet funciona em duas etapas principais, como se fosse um tradutor inteligente que converte um idioma complexo em um idioma simples e depois escreve a receita correta.

Etapa A: O Tradutor de Geometria (A Camada Simpática)

Imagine que o movimento de um planeta é como um carro dando voltas em uma pista de corrida muito complexa e cheia de curvas. É difícil prever onde o carro estará daqui a 100 voltas.

O BuSyNet tem um "tradutor" especial (chamado de camada Symplectic) que transforma essa pista complexa em uma pista circular perfeita e infinita.

• Na pista complexa: O carro acelera, freia e curva.
• Na pista circular (o que a IA vê): O carro apenas gira em um ritmo constante, como um ponteiro de relógio.

Essa transformação mágica simplifica o problema. Em vez de prever curvas difíceis, a IA só precisa prever um movimento de rotação simples e constante. Isso garante que a IA nunca "perca" o carro da pista (conservação de energia).

Etapa B: O Chefe de Cozinha que respeita as Medidas (A Camada Buckingham)

Agora que a IA entendeu que o movimento é uma rotação simples, ela precisa descobrir a "receita" (a fórmula matemática) que explica por que isso acontece.

Aqui entra a segunda parte do BuSyNet. Imagine um chef de cozinha que é obcecado por medidas. Se a receita pede "Energia", ele sabe que a fórmula final deve ter unidades de Energia (Joules). Ele não vai aceitar uma fórmula que mistura "quilogramas" com "segundos" de um jeito que não faz sentido físico.

O BuSyNet usa um truque matemático (o Teorema de Buckingham-π) para garantir que, quando ele descobre a fórmula, ela seja fisicamente correta. Ele força a IA a encontrar uma equação onde as unidades batem perfeitamente, como se fosse um quebra-cabeça onde as peças só encaixam se forem do tamanho certo.

3. O Resultado: Descobrindo a Receita Secreta

O resultado é que o BuSyNet não apenas prevê o futuro com precisão, mas também descobre a fórmula matemática exata que os físicos usam há séculos.

• Teste no Pêndulo: A IA aprendeu a fórmula correta para um pêndulo, prevendo seu movimento por anos sem errar, enquanto outras IAs erravam após algumas horas.
• Teste nos Planetas: Para o problema de dois corpos (como a Terra e o Sol), a IA descobriu a fórmula da gravidade correta, mantendo a órbita estável para sempre.

Por que isso é importante?

Até agora, muitas IAs eram "caixas pretas": elas davam uma resposta, mas não sabiam por que ou não seguiam as leis da física. O BuSyNet é diferente porque:

1. É interpretável: Ele nos devolve uma fórmula matemática que podemos ler e entender.
2. É estável: Ele não comete erros bobos de física (como criar energia do nada).
3. É eficiente: Ao transformar o problema complexo em um movimento simples de rotação, ele faz previsões de longo prazo muito mais fáceis e precisas.

Em resumo: O BuSyNet é como dar a uma IA um mapa do tesouro (a geometria do movimento) e uma régua de medição perfeita (as unidades físicas). Com isso, ela não apenas adivinha o futuro, mas descobre as leis fundamentais que governam o universo, de forma simples e elegante.

Resumo técnico

Título: Descoberta de Expressões Hamiltonianas Simbólicas com Redes Buckingham-Simples (BuSyNet)

1. O Problema

Os sistemas hamiltonianos são fundamentais para a modelagem do mundo físico, pois codificam a conservação de energia e a geometria simplética em suas trajetórias no espaço de fase. Embora abordagens recentes de Deep Learning (como Redes Neurais Hamiltonianas - HNNs) tenham incorporado essas propriedades na arquitetura ou na função de perda, elas frequentemente ignoram duas restrições físicas cruciais:

1. Consistência Dimensional: O Hamiltoniano deve ter unidades de energia e ser expresso como uma combinação dimensionalmente consistente de quantidades físicas (massa, constantes elásticas, etc.).
2. Estrutura Integrável: Todo Hamiltoniano integrável admite uma transformação canônica para coordenadas de ação-ângulo, onde as dinâmicas se reduzem a uma rotação simples em um toro invariante (ações constantes, ângulos evoluindo linearmente).

As redes existentes tendem a misturar variáveis de dimensões heterogêneas, prejudicando a interpretabilidade e a capacidade de generalização (extrapolação). Além disso, muitas descobrem apenas a forma funcional, mas não garantem as unidades físicas corretas ou a descoberta da expressão simbólica fechada.

2. Metodologia: BuSyNet

Os autores propõem a BuSyNet (Buckingham-Symplectic Networks), uma arquitetura de aprendizado profundo de dois estágios que combina geometria simplética com consistência dimensional para mapear medições temporais variáveis em uma constante de movimento com unidades físicas.

A arquitetura opera através dos seguintes componentes:

• Transformação Simplética (Encoder SympNet):

  • Inspirada no SympNet, uma camada simplética aprendível mapeia as trajetórias observadas de posição ($q$) e momento ($p$) para um espaço latente de ação-ângulo ($I, \theta$).
  • Esta transformação garante que a estrutura canônica seja preservada. No espaço latente, as ações ($I$) tornam-se constantes e os ângulos ($\theta$) evoluem linearmente no tempo, simplificando a dinâmica para uma rotação uniforme em um toro.
  • Para garantir que a rede aprenda a transformação correta, os valores numéricos das ações são pré-calculados a partir dos dados usando a integral clássica de ação (via transformada de Fourier e quadratura de Simpson) e usados como "grounding" (ancoragem) no treinamento.

• Cabeça Consciente de Unidades (BuckiNet):

  • Inspirada no teorema de Buckingham-$\pi$ e na arquitetura BuckiNet, esta camada transforma as variáveis latentes (ações) e parâmetros do sistema conhecidos (ex: massa $m$, constante $k$) em uma expressão simbólica.
  • A camada aprende os expoentes ($\Psi$) que combinam as variáveis de entrada para produzir uma saída com unidades específicas (neste caso, Energia).
  • A consistência dimensional é imposta através de uma penalidade suave na função de perda: $L_{dim} = ||D_{in}\Psi - D_{out}||^2$, onde $D$ são matrizes de dimensões. Isso força a rede a descobrir monômios que respeitam as leis físicas de escala.

• Função de Perda e Treinamento:

  • O treinamento otimiza simultaneamente os pesos da rede simplética e os coeficientes da expressão simbólica do Hamiltoniano.
  • A perda total combina:
    1. Erro na reconstrução das ações ($L_I$).
    2. Respeito às equações de movimento de Hamilton no espaço latente ($L_{\dot{\theta}}$ e $L_{\dot{I}}$), garantindo que $\dot{\theta} = \partial H / \partial I$ e $\dot{I} = -\partial H / \partial \theta$.
    3. Penalidade de consistência dimensional.

• Previsão (Rollout):

  • Após o treinamento, a previsão de longo prazo é trivial: as ações permanecem constantes, os ângulos são atualizados linearmente ($\theta_{t+\Delta t} = \theta_t + \dot{\theta}\Delta t$) e a transformação inversa simplética recupera $(q, p)$.

3. Principais Contribuições

1. Integração de Restrições Físicas: A primeira arquitetura a unir explicitamente a geometria simplética (transformação ação-ângulo) com a consistência dimensional (teorema de Buckingham-$\pi$) para descoberta de equações.
2. Descoberta de Expressões Simbólicas Fechadas: Diferente de modelos que apenas aproximam numericamente o Hamiltoniano, o BuSyNet descobre a forma analítica exata (ex: $H = \omega I$ ou $H = -k/I^2$) com unidades corretas.
3. Estabilidade de Longo Prazo: Ao forçar a dinâmica a viver em um toro invariante no espaço latente, o modelo elimina o erro de fase e a deriva de energia (energy drift) comuns em redes neurais convencionais.
4. Generalização Robusta: A consistência dimensional permite que o modelo generalize para regimes de parâmetros não vistos durante o treinamento.

4. Resultados Experimentais

O modelo foi avaliado em dois sistemas clássicos integráveis: o Oscilador Harmônico (1D) e o Problema de Kepler (2D e 3D).

• Recuperação Simbólica:

  • Oscilador Harmônico: Recuperou $H(I) \approx I \cdot k^{0.5} m^{-0.5}$, correspondendo exatamente à solução analítica $\omega I$.
  • Kepler (2D/3D): Recuperou $H(I) \approx -1/2 \cdot (I_{total})^{-2}$, correspondendo à solução analítica correta.
  • Os expoentes descobertos coincidiram com os valores teóricos com alta precisão numérica.

• Precisão de Previsão e Conservação de Energia:

  • O BuSyNet superou significativamente as Vanilla Neural Networks, HNNs e SympNets.
  • Erro Quadrático Médio (MSE): O BuSyNet apresentou erros de previsão de longo prazo (horizonte de 20 períodos) ordens de magnitude menores que os baselines.
  • Deriva de Energia: A variância do Hamiltoniano descoberto foi extremamente baixa ($\approx 10^{-12}$ para o oscilador e $\approx 10^{-11}$ para Kepler), enquanto outros métodos mostraram deriva significativa ou oscilações.
  • Fase: As trajetórias do BuSyNet permaneceram "travadas em fase" (phase-locked) com a verdade fundamental, enquanto os baselines divergiram após poucos períodos.

5. Significado e Conclusão

O trabalho demonstra que incorporar análise dimensional e estrutura simplética em pipelines de Deep Learning não é apenas uma escolha estética, mas um caminho prático para modelos de aprendizado de máquina que são confiáveis, interpretáveis e cientificamente fiéis.

• Interpretabilidade: O modelo não é uma "caixa preta"; ele retorna equações físicas explícitas com unidades corretas.
• Eficiência: A transformação para o espaço de ação-ângulo torna a previsão de longo prazo computacionalmente trivial e numericamente estável.
• Futuro: Os autores apontam que o próximo passo é estender o método para dados de posição apenas (inferindo momentos) e para sistemas não-integráveis ou caóticos, além de propagar vetores de unidade por toda a profundidade da rede para aplicações em turbulência e clima.

Em suma, o BuSyNet estabelece um novo padrão para a descoberta de equações governantes a partir de dados, garantindo que as leis físicas fundamentais (conservação e dimensionalidade) sejam respeitadas por construção.