🤖 machine learning

Prediction Is Not Physics: Learning and Evaluating Conserved Quantities in Neural Simulators

本文表明，尽管标准神经模拟器在轨迹预测准确的情况下往往无法保持物理守恒定律，但诸如守恒发现网络之类的专用架构能够从哈密顿轨迹中成功学习全局守恒量，不过其性能关键取决于时间一致性和与初始条件对齐等训练策略。

原作者： Andrew Bukowski, Aditya Kothari, Simba Shi, Ishir Rao

发布于 2026-05-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Andrew Bukowski, Aditya Kothari, Simba Shi, Ishir Rao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在教一个机器人玩台球。你向机器人展示了成千上万个球体相互碰撞的视频。机器人变得非常擅长预测一秒钟后球的位置。它做得如此出色，以至于如果你问它：“0.1 秒后红球在哪里？”它能以近乎完美的准确度回答。

但这里有个陷阱：机器人实际上并不理解物理定律。

这篇题为《预测并非物理》的论文探讨了一个奇怪的问题：一个计算机模型可以极其出色地预测事物会去往何处，却在理解它们为何去往那里方面表现糟糕。具体来说，它无法遵守能量守恒定律。

核心问题：“漂移”的机器人

在现实世界中，能量不会凭空产生或消失。如果你扔出一个球，它的速度和高度会完美地相互转换。如果它升得更高，速度就会减慢。总的“能量预算”保持完全不变。

研究人员在这些物理模拟上训练了一个“扩散模型”（一种生成运动的 AI）。

好消息： 该 AI 以极低的误差预测了球的轨迹。看起来是正确的。
坏消息： 当他们检查能量时，AI 的“能量预算”变得疯狂。在某些情况下，AI 的能量波动幅度是应有幅度的36,000 倍。

类比： 想象一个银行账户。AI 就像一个出纳员，能完美预测你下周口袋里会有多少钱。但是，AI 的内部账本显示你的余额在 10 美元到 10,000 美元之间随机跳动，然后又回到 0 美元，尽管你从未存入或取出任何东西。对你身在何处的预测是正确的，但你财富的物理机制却崩溃了。

实验：AI 能学会规则吗？

研究人员问道：我们能否仅通过观察运动，在不预先告知数学公式的情况下，教会 AI 发现“守恒定律”（即能量保持不变的规则）？

他们在三个经典的物理问题上测试了三种不同类型的“侦探”（AI 模型）：

被抛出的球（抛体运动）。
摆动的单摆。
弹跳的弹簧。

侦探 1：“结构化”架构师

这个 AI 是按照特定的蓝图构建的：“你必须将能量计算为动能 + 势能。”

结果： 它表现完美。它几乎立刻发现了能量规则。
弱点： 它很僵化。当研究人员在数据中加入“噪声”（就像电视屏幕上的雪花点）时，这个侦探变得困惑。它试图将噪声纳入其严格的蓝图中，从而犯了错误。

侦探 2：“黑盒”（CDN）

这个 AI 没有任何蓝图。它只是一个神经网络，被告知：“找到一个随着物体移动而保持不变的数字，但不要对所有情况都猜'5'。”

结果： 它表现很好，但需要一个微小的提示。如果研究人员在开始时给它一个轻微的推动（告诉它：“嘿，你的第一个猜测应该看起来有点像真实的能量”），它的表现几乎与“结构化架构师”一样好。
惊喜： 当数据充满噪声时，这个灵活的侦探实际上比僵化的那个做得更好。它能够忽略雪花点并找到真正的模式。

侦探 3：“多项式”学生

这个 AI 试图通过混合简单的数学公式（如 $x^2$ 、 $\sin(x)$ 等）来寻找规则。

结果： 它对学习时长非常敏感。
- 短期学习： 它过早放弃。它发现了一个“部分”规则（例如只看速度），得分较低（0.78）。
- 长期学习： 随着更多时间和数据的投入，它搞清楚了完整、复杂的规则，并获得了近乎完美的分数（0.9998）。
教训： 有时，模型并非“糟糕”；它只是训练时间不够长，无法摆脱它认为自己已经找到答案的“局部陷阱”。

主要结论

这篇论文为任何构建物理 AI 的人提出了一个警告：

“准确预测下一步并不等同于理解宇宙的定律。”

你可以拥有一个能完美预测未来的 AI（低误差），但它却违反了自然的基本定律（能量剧烈漂移）。研究人员发现，仅仅告诉 AI 要“保守”是不够的；你通常需要引导它，给予一点真实物理学的提示，或者确保它训练足够长的时间以摆脱糟糕的解决方案。

一句话总结

预测 $\neq$ 物理： AI 可以在不知道能量守恒的情况下猜出球的去向。
“漂移”巨大： 即使是准确的 AI，其能量误差也可能比现实大数千倍。
灵活性与僵化性： 基于物理规则构建的僵化模型在干净数据上表现优异，但在噪声下会崩溃；从零开始学习的灵活模型更能抵抗噪声，但需要更多的训练时间才能找到正确答案。
教训： 要模拟现实世界，我们不仅要衡量“预测有多接近？”，还要衡量“能量是否保持恒定？”

技术摘要：预测并非物理：在神经模拟器中学习并评估守恒量

问题陈述

在物理模拟数据上训练的神经网络往往能实现较高的短期预测精度（较低的 rollout 均方误差），却未能遵守基本的物理定律，例如能量守恒。即使像扩散网络这样的生成模型在采样过程中受到学习到的守恒结构的引导，它们也常常产生能量随时间显著漂移的轨迹。这种脱节引发了一个关键问题：神经网络能否直接从状态观测中学习或选择全局守恒量？低预测误差是否足以保证物理上有效的运动？

作者研究了模型能否从物理轨迹中识别不变属性，以用于验证模型、引导生成或识别物理定律，特别针对轨迹级精度与全局守恒之间的差距展开探讨。

方法论

环境与数据

本研究对三个具有已知解析不变量的经典哈密顿系统进行了基准测试：

抛体运动：可分离能量 $E = \frac{1}{2}(v_x^2 + v_y^2) + gy$ 。
非线性摆：不可分离哈密顿量 $H = \frac{1}{2}\omega^2 - g \cos \theta$ 。
弹簧 - 质量系统：可分离能量 $E = \frac{1}{2}kx^2 + \frac{1}{2}v^2$ 。

数据使用精确的闭式解或自适应 RK45 积分生成，以确保真实能量漂移可忽略不计（ $10^{-5}$ 至 $10^{-7}$ ）。实验包括无噪声轨迹和带有 1% 加性高斯噪声的轨迹。

评估模型

作者比较了四种学习不变量的方法：

结构化能量网络 (SE)：一种显式将标量分解为动能项和势能项的架构， $H(s) = T_\theta(v) + V_\phi(q)$ 。这作为一个具有强物理先验的基线。
黑盒守恒发现网络 (CDN)：一个没有施加物理结构的标准多层感知机 (MLP)。
- CDN-Conservation：仅基于时间一致性进行训练。
- CDN-Aligned：基于时间一致性训练，并增加一个针对 $t=0$ 时刻解析能量的弱标准化对齐损失。
多项式 CDN：线性模型 $f(s) = w^\top \phi(s)$ ，其中 $\phi(s)$ 包含二次多项式和三角函数特征。
扩散基线：一个训练用于生成状态变化 ( $\Delta s$ ) 的 DDPM，在 rollout 过程中由 CDN 不变量引导，并软投影至 SE 网络能量水平集。

损失函数

不变量学习的主要目标结合了以下两项：

时间一致性：最小化学习到的不变量在连续时间步之间的差异， $f(s_{t+1}) - f(s_t)$ 。
方差铰链：通过强制初始批次内的方差，防止模型对所有输入输出常数的平凡解。
对齐损失（可选）：在 $t=0$ 处的弱标准化损失，用于将学习到的不变量与解析能量在缩放和平移上对齐。

主要贡献与结果

1. 预测精度不蕴含守恒性

扩散模型实现了较低的 rollout 均方误差（例如摆的 $3.4 \times 10^{-4}$ ），但未能守恒能量。生成轨迹中能量的标准差比真实轨迹中的标准差大 7,500 到 36,000 倍。这表明低预测误差和软不变量引导不足以强制执行全局守恒定律。

2. 不变量选择需要弱监督

虽然守恒目标（时间一致性）鼓励模型学习某种恒定值，但该问题是欠定的。

CDN-Conservation（无对齐）：若未与解析能量对齐，模型无法恢复真实的哈密顿量。在摆和弹簧 - 质量系统上，Pearson $R^2$ 崩溃至接近零（ $< 10^{-3}$ ）。
CDN-Aligned：加入微小的对齐项（ $\lambda_{align}=0.2$ ）后，黑盒 CDN 在所有系统上均实现了 $R^2 \ge 0.996$ ，证明时间一致性结合弱监督可以在没有结构先验的情况下恢复具有物理意义的量。

3. 对训练计划的敏感性（多项式 CDN）

多项式 CDN 表现出对训练时长和数据量的显著敏感性：

短计划：在摆系统上，它收敛到一个由动能项 ( $\omega^2$ ) 主导的部分解，缺失势能项 ( $\cos \theta$ )，导致 $R^2 = 0.78$ 。
长计划：随着更多轮次和数据，模型恢复了完整的哈密顿量，达到 $R^2 = 0.9998$ 。
这表明守恒损失景观中存在较差的局部极小值（部分哈密顿量），需要足够的训练预算才能跳出。

4. 对噪声的鲁棒性

在 1% 加性高斯噪声下，结构化能量网络的性能均匀下降（ $R^2$ 下降约 0.013）。相比之下，黑盒 CDN 在抛体和弹簧 - 质量系统上更具鲁棒性，表现优于结构化模型。作者指出，在噪声数据上强制进行 $T(v) + V(q)$ 分解需要分别拟合被污染的信号，而无约束的 CDN 可以学习整个状态的鲁棒函数。

5. 符号回归验证

使用 STLSQ 稀疏回归对解析能量目标进行分析，作者确认其特征库具有足够的表达能力，可以恢复所有三个系统的精确符号方程。然而，他们指出这属于流水线检查而非无监督发现，因为回归目标是已知的能量。

意义与主张

该论文认为，轨迹级精度指标（如均方误差）不足以作为物理模拟模型的基准。一个模型可能在短期非常准确，同时却违反基本的守恒定律。

作者主张：

守恒是独立的质量维度：必须将其与预测误差分开评估。
架构先验存在权衡：虽然结构化网络 (SE) 在与其假设匹配的清数据上表现近乎完美，但在提供弱监督的情况下，它们可能比灵活的黑盒模型 (CDN) 对噪声更脆弱。
优化至关重要：恢复守恒量的能力高度依赖于训练计划；有限的预算可能导致看似有效（中等 $R^2$ ）但未能捕捉完整物理规律的部分解。
引导并非万能：在扩散采样过程中来自学习到的不变量的软引导不能保证长 rollout 过程中的能量守恒，这突显了需要更严格的约束或更好的采样策略。

该研究得出结论，虽然神经网络可以学习不变量，但要可靠地做到这一点，需要仔细考虑损失设计、训练时长以及结构先验与模型灵活性之间的平衡。