🤖 machine learning

Latent Lie-Poisson Neural Networks (LLPNNs): Discovering the motion of Lie-Poisson systems through observable data and latent dynamics

本文介绍了潜在李-泊松神经网络（Latent Lie-Poisson Neural Networks, LLPNNs），这是一种通过利用哈密顿解码器、诺特定理不变量和李群更新等几何要素，从观测数据中直接学习李-泊顿动力学的结构保持框架，即使对于潜在变量不可观测的退化系统，也能实现精确的长期预测。

原作者： Vakhtang Putkaradze

发布于 2026-08-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Vakhtang Putkaradze

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，你正试图教一台计算机去预测一个旋转陀螺、一个游泳机器人或是一群无人机的未来运动轨迹。你拥有一段它们运动的视频，展示了它们的位置和速度，但你并没有直接窥视它们内部“隐形齿轮”的窗口——即驱动这些运动的隐藏力和动量。这就是**物理信息机器学习（physics-informed machine learning）**的挑战：仅仅通过观察事物的发生，来教会人工智能理解自然法则。

通常，当我们尝试预测运动时，我们会观察可见的部分（它在哪里以及它移动得有多快）并猜测下一步。但对于许多复杂系统，例如在空间中旋转的刚体或在流体中航行的载具，仅靠可见的速度并不能说明全部情况。系统的真正“引擎”存在于一个被称为**动量（momentum）**的隐藏数学空间中。把动量想象成橡皮筋中隐形的张力；你看不见张力本身，只能看到它引起的运动。如果你试图仅通过观察运动来预测未来，你可能会忽略这种隐形的张力，导致你的预测最终偏离现实，变得毫无意义。

此外，一些系统是“退化（degenerate）”的，这意味着规则有些破碎或不完整。在这种情况下，可见的速度甚至没有自己的规则可循；它完全依赖于那种隐藏的张力。如果不了解隐藏的张力就试图预测未来，就像是在只能看到棋盘上棋子却看不见移动规则的情况下，试图猜测下一手棋。这篇论文解决的正是一个这样的问题：如何教计算机通过观察可见的舞步，来学习隐藏的规则和隐形的力。

隐藏运动的秘密解码器

本文作者 Vakhtang Putkaradze 发明了一种新型人工智能，称为潜在李-泊松神经网络（Latent Lie-Poisson Neural Networks, LLPNNs）。你可以把它想象成一个“秘密解码器”，它允许计算机在只能看到可见结果的情况下，推导出驱动系统的隐形、隐藏的力量。

大多数试图预测运动的 AI 模型表现得像是一个只背诵答案表的学生。它们观察物体现在在哪里以及一秒钟前在哪里，然后猜测下一秒会在哪里。这对于简单事物还算凑合，但对于像旋转卫星或水下航行器这样的复杂系统，这些模型最终会感到困惑。它们会忘记“守恒定律（conservation laws）”——即自然界永不打破的基本规则，比如一个旋转的陀螺必须保持其总转动量，除非受到外力推动。因为忘记了这些规则，它们的预测会逐渐偏离现实，就像一张每天都错一点点的地图，直到你最后发现自己身处海洋而非城市。

当系统是“退化”的时，问题会变得更加棘手。在这种情况下，可见的速度（比如汽车向前行驶的速度）是恒定或固定的，但隐藏的动量（驱动其转向的隐形力量）却在剧烈变化。这就像观察一辆在直路上以每小时 60 英里的恒定速度行驶的汽车。对普通观察者来说，这辆车看起来平淡无奇且毫无变化。但如果这辆车实际上是在一个巨大的、隐形的旋转木马上，那么即使速度看起来没变，隐藏的动量却在剧烈旋转。标准的 AI 模型会卡在这里，因为它们看不见旋转木马；它们只看到了稳定的速度。它们试图为速度发明一套规则，但并不存在这样的规则，因为速度只是隐藏旋转的一个影子。

这种新 AI 如何解开谜题

LLPNNs 通过意识到即使我们看不见隐藏的动量，我们也可以利用物理学中的一个“魔术技巧”——**诺特定理（Noether's Theorem）**来推导它。该定理指出，如果一个系统具有某种对称性（例如无论如何旋转其性质都保持不变），那么就存在一个永远不会改变的隐藏量。

作者的方法如下：

隐藏常量： AI 假设存在一个隐藏的、不变的“空间动量”向量（我们称之为 $p_0$ ），它在物体旋转和移动时始终保持不变。
重构： 利用物体的可见路径（其位置和取向），AI 使用一个被称为**共伴作用（coadjoint action）**的数学桥梁，来重构为了保持这个恒定的 $p_0$ 真实，在每一时刻必须具备的隐藏动量。这就像看到一个影子在墙上移动，从而意识到：“啊，投射阴影的物体必须这样旋转，才能保持光源稳定。”
学习规则： 一旦 AI 重构了隐藏的动量，它就会学习支配该动量如何变化的实际规则（哈密顿量/Hamiltonian）。它通过两种不同的“方法”来实现：
- 解码器方法（The Decoder Approach）： 它学习一个将隐藏动量转化为可见速度的函数。
- 编码器方法（The Encoder Approach）： 它学习一个将可见速度转回隐藏动量（但仅针对系统中允许变化的部分）的函数。

研究发现

作者在三个截然不同且极具挑战性的场景中测试了这种新 AI：

旋转刚体： 在三维球面（SO(3)）上的广义旋转陀螺。
水下航行器： 一个在水中运动的复杂机器人，涉及旋转和平移（SE(3)）。
无人机集群： 在二维平面上的多个自主飞行器，其中部分运动规则是“退化的”（前进速度是固定的，但转向受隐藏力量控制）。

在所有这三种情况下，LLPNNs 都能学习隐藏的动力学，并以极高的长期准确度预测未来。

“魔法”般的守恒： 最令人印象深刻的结果是，它将“卡西米尔不变量（Casimir invariants）”（即隐藏的守恒量）保持到了机器精度。这意味着 AI 不仅仅是猜对了数字，它在数学上保证了宇宙的隐藏规则从未被打破。
击败竞争对手： 与 Neural ODEs 和 DeepONets（这些模型仅观察可见数据）等流行的 AI 方法相比，LLPNNs 能够长时间保持轨迹。其他方法在处理简单系统时表现尚可，但在面对“退化”系统（如无人机集群）时表现糟糕。在这些情况下，其他 AI 模型会迅速发散，预测出不可能实现的路径，因为它们看不见隐藏的力量。
鲁棒性： 即使在数据含有噪声（模拟现实世界的传感器误差）的情况下，该方法依然表现良好。

局限性与未来

论文谨慎地指出，这种方法并不是应对一切的“万能药”。它依赖于预先知道系统的对称群（symmetry group）。你必须告诉 AI：“这是一个旋转陀螺”或者“这是一个在平面上的无人机”。如果系统打破了自己的对称性（例如，无人机试图寻找一个破坏了旋转规则的目标），该方法可能会遇到困难。此外，该方法是专门为遵循李-泊松动力学（Lie-Poisson dynamics）的系统设计的，无法直接应用于任何随机的物理系统，除非该系统具备这种特定的几何结构。

然而，对于它所涵盖的系统，研究结果是一个显著的进步。作者表明，通过将物理学的深层几何结构直接嵌入到神经网络中，我们可以构建出不仅是记忆数据，而是真正理解宇宙隐形齿轮的 AI。他们通过刚体、水下航行器和无人机集群的模拟证明了这一点，证明了即使在可见数据不完整或规则是退化的情况下，隐藏的真相仍然可以被精确地恢复和预测。

简而言之，这篇论文为我们提供了一种新的方式来教计算机“看见不可见”，确保它们的未来预测能够尊重那些不可逾越的物理定律。

技术摘要：潜在李-泊松神经网络 (Latent Lie-Poisson Neural Networks, LLPNNs)

1. 问题陈述

本文解决了在数据驱动建模哈密顿系统时的一个基本挑战：当仅有可观测数据（构型 $g(t)$ 和速度 $\xi(t)$ ）可用，而控制动力学在不可观测的潜在动量变量 ( $\mu$ ) 中演化时，如何学习李-泊松系统 (Lie-Poisson systems) 的动力学。

这一问题在以下两个背景下尤为突出：

对称性约化 (Symmetry Reduction)： 许多力学系统（刚体、流体、水下航行器）具有李-泊松对称性约化，其状态空间是李代数的对偶空间 ( $\mathfrak{g}^*$ )，但收集的数据是在构型/速度空间 ( $G$ 和 $\mathfrak{g}$ ) 中的。
最优控制中的退化哈密顿量 (Degenerate Hamiltonians in Optimal Control)： 在最优控制问题（例如相互作用的车辆）中，约化的哈密顿量通常是退化的（在某些动量分量上是线性的）。这种退化性阻止了在可观测变量中存在相应的拉格朗日形式。因此，可观测变量并不构成一个封闭的自治动力系统；由于不同的潜在动量状态可能产生相同的可观测速度但不同的时间导数，可观测速度的演化无法表示为 $\dot{\xi} = f(\xi)$ 。

现有的保持结构的算法（如哈密顿神经网络、辛 RNN）通常假设可以访问完整的相空间或非退化的勒让德变换，这使得它们无法应用于这些特定情况，或者在应用时表现不佳。

2. 方法论：潜在李-泊松神经网络 (LLPNNs)

作者提出了 LLPNNs，这是一个能够在学习潜在动量轨迹的同时，直接从可观测数据中学习李-泊松动力学的框架。该方法依赖于三个几何要素：

A. 几何基础

诺特定理与共伴重构 (Noether's Theorem & Coadjoint Reconstruction)： 对于具有李群对称性 $G$ 的系统，空间动量 $p_0 \in \mathfrak{g}^*$ 是守恒的。潜在的本体动量 $\mu(t)$ 通过共伴作用与常数空间动量相关联： $\mu(t) = \text{Ad}^*_{g(t)} p_0$ 。这为可观测构型 $g(t)$ 与潜在动量 $\mu(t)$ 之间提供了精确的桥梁。
处理退化性： 该框架明确区分了活跃 (active) 变量（哈密顿量是非线性且可逆的）和被动 (passive) 变量（速度为常数或零）。它不需要全局勒让德变换，因此即使在不存在拉格朗日形式的情况下也能正常工作。

B. 两种学习方法

论文提出了两种不同的架构来学习系统：

哈密顿方法 (解码器/Decoder)：
- 目标： 直接学习哈密顿函数 $h(\mu)$ 。
- 机制： 网络将 $h(\mu)$ 参数化为被动变量的线性项之和以及活跃变量的神经网络残差。
- 训练： 对于每条轨迹，空间动量向量 $p_0$ 与网络权重一起进行优化。损失函数最小化观测速度与投影到活跃分量上的学习到的哈密顿梯度之间的差异： $\xi_{pred} = \nabla_\mu h(\text{Ad}^*_g p_0)$ 。
- 重构： 使用结合了学习到的 $h(\mu)$ 和守恒的 $p_0$ 的 Magnus 展开式，逐步更新群元素和动量。
拉格朗日方法 (编码器/伪拉格朗日/Encoder / Pseudo-Lagrangian)：
- 目标： 学习一个“伪拉格朗日” $\ell(\xi_{act})$ ，将活跃速度映射到活跃动量。
- 机制： 假设活跃速度与活跃动量之间的映射是局部可逆的。网络学习 $\ell(\xi_{act})$ ，使得 $\mu_{act} = \nabla_{\xi_{act}} \ell(\xi_{act})$ 。
- 训练： 空间动量 $p_0$ 在损失函数中以线性方式出现（在网络评估之外），因此对于给定的网络状态，可以通过线性最小二乘法求解。损失函数最小化预测的活跃动量与 $p_0$ 的共伴投影之间的差异。
- 重构： 通过求解隐式方程（通过求根法）来找到满足由伪拉格朗日导出的动量更新规则的下一个速度步。

C. 训练策略

热启动 (Warm Start)： 为了避免局部极小值，作者使用二次近似（二次哈密顿量/拉格朗日量）初始化网络，并在解出度规矩阵和 $p_0$ （使用受约束的线性系统/KKT 条件）后，再释放神经网络权重进行完整训练。
结构保持： 重构算法使用李群更新（Magnus 展开）和共伴作用，无论学习质量如何，都能确保卡西米尔不变量 (Casimir invariants) 被精确保持。

3. 主要贡献

仅从可观测变量学习： 这是第一个能够直接从可观测的构型和速度数据中学习李-泊松动力学，而无需潜在动量测量值的框架。
处理退化哈密顿量： 该方法既适用于正则哈密顿系统，也适用于退化哈密顿系统。它成功解决了在可观测变量不存在封闭自治演化方程的最优控制问题，而在这些问题中，标准的 Neural ODEs 和 DeepONets 会失效。
机器精度级的守恒： 该架构通过构造保证了卡西米尔不变量在机器精度级上的精确守恒，且不受训练数据或优化质量的影响。
双重形式： 提供了哈密顿（解码器）和拉格朗日（编码器）两种方法，根据活跃速度-动量映射是否可逆，提供了灵活性。

4. 实验结果

该方法在三个具有非二次哈密顿量的基准系统上进行了验证：

广义刚体 (SO(3))：
- 展示了对于可观测速度和潜在动量近乎完美的长期轨迹跟踪。
- 以机器精度保持了卡西米尔不变量 ( $\|\mu\|^2$ ) 和能量。
- 优于非结构保持的基准模型 (Neural ODE, DeepONet)，后者会迅速发散。
基尔霍夫水下航行器 (SE(3))：
- 测试了一个具有耦合旋转和平移模式的系统。
- 哈密顿和拉格朗日 LLPNN 均保持了相位准确度，并守恒了两个卡西米尔不变量 ( $\|P\|^2$ 和 $J \cdot P$ )。
- 与基准模型相比，表现出更强的抗噪声鲁棒性。
多车辆最优控制 (SE(2) $^N$ )：
- 关键测试： 一个具有退化哈密顿量（在平移动量上是线性的，仅在角动量上是非线性的）的系统。
- 结果： 标准的 Neural ODEs 和 DeepONets 因为可观测速度不存在自治向量场而立即失效。LLPNN 成功重构了潜在动力学并预测了长期轨迹。
- 在这个特定的退化案例中，拉格朗日方法在角速度的相位对齐方面表现略好，而哈密顿方法实现了最低的总误差增长。
- 单个车辆的卡西米尔不变量被保持在机器精度级。

5. 意义与主张

本文声称 LLPNNs 代表了几何深度学习的一个重要进展，它弥合了可观测数据与潜在几何结构之间的鸿沟。

意义： 该框架解决了对称性约化系统中的“隐藏状态”问题。它证明了即使在可观测变量由于退化而不构成封闭系统的情况下，底层的李-泊松结构仍允许仅使用可观测数据和已知的对称群来精确重构完整的动力学。
鲁棒性： 该方法具有鲁棒性，对噪声具有抵抗力，并且仅需要适度的数据集和轻量级的神经网络架构。
局限性： 作者指出，该方法假设对称群 $G$ 是预先已知的。目前它无法处理对称性破缺代价函数（即约化不完全的情况）或缺乏特定共伴重构公式的一般泊松流形。

总之，本文确立了通过将李-泊松系统的几何约束（特别是 Noether 不变量和共伴作用）直接嵌入到学习架构中，可以在处理复杂的动力学系统时实现精确的长期预测，而这些系统对于标准的基于数据的算法来说是难以处理的。