Resumo Técnico: Quando as Leis de Conservação Sobrevivem às Representações Aprendidas?

Declaração do Problema

Os modelos de mundo modernos alcançam escalabilidade ao aprender representações latentes e realizar a propagação para frente nesse espaço latente, em vez de no espaço de observação. No entanto, essa mudança complica a certificação da confiança física. Embora as leis de conservação (ex: conservação de energia) forneçam uma moeda natural de confiança para sistemas físicos, um modelo latente substitui as coordenadas físicas por coordenadas aprendidas. Consequentemente, um modelo pode conservar perfeitamente um escalar latente aprendido (um Hamiltoniano ou testemunha latente) enquanto a verdadeira energia física deriva significativamente.

A questão central abordada é: Quando uma lei de conservação permanece certificável após um modelo aprender uma representação latente? Especificamente, o artigo busca limitar, antecipadamente e a partir de defeitos mensuráveis do modelo, quantos passos um rollout permanece sobre o nível de um invariante físico. O desafio crítico é definir o que está sendo certificado: não as quantidades latentes aprendidas, mas o invariante físico decodificado.

Metodologia

O Objeto Certificado

O artigo fixa o objeto certificado como o invariante físico decodificado, denotado por $\Psi(z) = H^*(\Pi D_\psi z)$.

• $z$: Estado latente.
• $D_\psi$: Mapeamento do decodificador de latente para observação.
• $\Pi$: Mapeamento de leitura (readout) de observação para coordenadas físicas $(q, p)$.
• $H^*$: O invariante físico conhecido (ex: energia mecânica real).

Crucialmente, o artigo não certifica o Hamiltoniano latente aprendido $H_\theta$ ou uma testemunha escalar aprendida $C_\omega$ diretamente. Estes são tratados como "testemunhas" ou proxies. Um modelo pode conservar essas quantidades internas enquanto o invariante físico decodificado deriva. A certificação só é válida onde o pipeline do estado e o pipeline do invariante físico decodificado convergem em $H^*$.

Estrutura de Certificação

Os autores derivam "certificados de horizonte de casca" (shell-horizon certificates) que limitam o número de passos $T$ que um rollot permanece dentro de uma tolerância $\epsilon$ da casca de energia. O orçamento para este horizonte decompõe-se em três fontes distintas de defeito:

1. Defeito de Representação ($\epsilon_0$): Erro de inicialização na codificação/encapsulamento.
2. Defeito de Leitura ($\epsilon_{\Pi, \text{num}}$): Erro introduzido pelo mapeamento de decodificador e leitura (dominante em observações de pixels).
3. Defeito de Dinâmica Latente ($\delta_{\text{tube}}^{\text{phys}}$): Deriva per-passo do invariante decodificado na dinâmica latente.

O horizonte é calculado como:
$$T = \left\lfloor \frac{m_{c,\rho}\epsilon - \text{defeitos de inicialização}}{\text{deriva per-passo}} \right\rfloor$$
onde $m_{c,\rho}$ é a sensibilidade da casca (norma mínima do gradiente).

Ponte de Alinhamento (Testemunhas Suaves)

Para utilizar uma "testemunha suave" aprendida (uma testemunha escalar $C_\omega$ treinada para ser conservada no espaço latente), o artigo introduz uma ponte de alinhamento Lipschitz-controlada.

• Uma testemunha suave não é inerentemente a energia física. Ela deve ser alinhada via uma função de calibração $g_C$.
• A condição para um certificado válido é o alinhamento bi-Lipschitz ($0 < \kappa \le g'_C \le L_g$).
• Esta ponte transforma a testemunha suave em um elo com formato de teorema para o invariante decodificado. O artigo demonstra que a simples monotonicidade é insuficiente; a monotonicidade não controlada (ex: regressão isotônica) pode ter constantes de Lipschitz infinitas, colapsando o horizonte certificado para zero.

Configuração Experimental

O framework é testado em três sistemas conservativos: o pêndulo simples, o oscilador harmônico e o problema de dois corpos de Kepler (um sistema singular).

• Representações: O estudo varia a representação de entrada enquanto mantém o objeto certificado fixo:
  1. Estado: Coordenadas canônicas $(q, p)$ são a entrada; a leitura é a identidade.
  2. Elevação (Lift): Observações de baixa dimensão são codificadas em um gráfico latente aprendido; a leitura é limpa.
  3. Pixel: Imagens de alta dimensão são a entrada; um decodificador/leitura aprendido introduz erro significativo.
• Variantes de Modelo:
  • Plain: Mapa residual latente sem restrições.
  • Hard Symplectic: Integradores latentes restritos a serem simpléticos (Störmer–Verlet, SympNet).
  • Soft (B-self): Testemunha escalar/vetorial auto-supervisionada treinada para ser invariante, alinhada via ponte.

Principais Resultados

1. Espaço de Estado (Coordenadas Canônicas)

Em coordenadas de fase conhecidas, a estrutura simplética rígida (hard symplectic) é a vencedora clara.

• No sistema de Kepler, modelos simpléticos rígidos alcançaram certificados de invariante conjunto não vacuos em 3/3 sementes, enquanto modelos plain alcançaram 0/3.
• A deriva do invariante per-passo foi $\sim 7,6\times$ menor para modelos simpléticos.
• Conclusão: Priores rígidos funcionam efetivamente quando o gráfico é conhecido e coincide com a forma simplética física.

2. Elevação Aprendida (Coordenadas Latentes)

Quando o modelo aprende um gráfico a partir de observações de baixa dimensão, os priores simpléticos rígidos colapsam, enquanto os invariantes suaves sobrevivem.

• Modelos simpléticos rígidos (Verlet, SympNet) tornaram-se estatisticamente indistinguíveis das linhas de base plain. A restrição simplética preserva a forma do fluxo, mas não a identidade do escalar conservado em relação à energia física sob um gráfico aprendido arbitrário.
• O invariante B-self suave atravessou com sucesso o gráfico aprendido, alcançando uma razão de ganho de estrutura de $\approx 1,30$ e uma taxa de vitória $P(\text{soft} > \text{plain}) = 0,88$ sobre 8 sementes.
• Conclusão: Priores geométricos rígidos são sensíveis às coordenadas e não sobrevivem automaticamente à aprendizagem de representação; invariantes suaves alinhados via uma ponte bi-Lipschitz são mais robustos.

3. Observações de Pixels

A certificação sob entradas de pixels é possível, mas restrita a um sub-tubo de estabilidade de leitura.

• O termo de decodificador/leitura frequentemente domina o orçamento de erro.
• Ao aplicar uma "regra de leitura estável congelada" (excluindo pontos onde o score de Lipschitz da leitura é muito alto), a testemunha suave estabilizada recuperou certificados não vacuos.
• Resultados: 9/10 sementes foram não vacuas (vs. 4/10 para plain), com uma fração excluída de $\le 2,3\%$.
• Conclusão: A certificação de pixels é um problema perceptual; requer a estabilização da leitura para encontrar um sub-tubo onde o invariante decodificado seja fiel.

4. O Limite Geométrico de Kepler

A elevação de Kepler revelou um limite geométrico intrínseco.

• Apesar de variar a capacidade latente e aplicar re-mapeamentos de métrica legais, o certificado de invariante conjunto decodificado falhou ($T=0$) próximo ao periastro.
• Este falha é atribuída à rigidez (stiffness) próxima ao periastro do potencial de inverso do quadrado, que amplifica pequenos erros de $(q, p)$.
• Conclusão: Este é um limite geométrico específico do sistema, não uma falha da própria metodologia de certificação de conservação.

Significância e Alegações

A principal contribuição do artigo é um enquadramento de robustez de representação para certificados de conservação. O autor argumenta que:

1. O Objeto Certificado Importa: Certificados devem estar anexados ao invariante físico decodificado, não ao Hamiltoniano latente ou à testemunha não alinhada. Um modelo pode conservar seu proxy interno enquanto falha fisicamente.
2. Priores Rígidos vs. Suaves: A estrutura simplética canônica rígida é sensível às coordenadas. Ela produz os horizontes mais longos em coordenadas de fase conhecidas, mas falha ao atravessar gráficos aprendidos. Por outro lado, um invariante suave, treinado para ser conservado no espaço latente e alinhado via uma ponte de Lipschitz controlada, sobrevive a mudanças de representação.
3. Monotonicidade é Insuficiente: Alinhar uma testemunha suave à energia física requer calibração bi-Lipschitz. A mera monotonicidade é muito vaga e leva a certificados vacuos.
4. Limites Geométricos: Certificados alinhados à conservação podem falhar devido a singularidades geométricas intrínsecas (ex: periastro de Kepler) que nenhum aumento de capacidade ou aprendizagem de representação pode superar.

Os autores posicionam este trabalho não como um benchmark para modelos de mundo de visão de longo horizonte, mas como um estudo metodológico sobre o que pode ser certificado quando invariantes físicos são avaliados através de representações aprendidas. Os achados sugerem que, para modelos de mundo aprendidos, deve-se ou certificar em coordenadas onde a forma simplética é física ou parear priores estruturais com o alinhamento explícito do escalar conservado.