When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models
作者: Hongbo Wang
分类: cs.LG, cs.RO
发布日期: 2026-07-05
💡 一句话要点
提出物理不变性认证方法以解决学习表示中的守恒法则问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 物理建模 守恒法则 表示学习 认证方法 动态系统 非线性系统 智能控制
📋 核心要点
- 核心问题：现有物理模型在学习潜在表示后，守恒法则的认证能力受到挑战，导致物理不变性难以保持。
- 方法要点：提出了一种通过解码潜在状态来认证物理不变性的方法，设计了壳地平线证书以评估模型缺陷。
- 实验或效果：实验表明，硬的经典辛结构在已知相位坐标中提供了最长的地平线，而软不变性在非线性学习表示中表现良好。
📝 摘要（中文）
本文探讨了物理世界模型中的表示学习问题：在模型学习潜在表示后，守恒法则何时仍然可以被认证。通过可认证的地平线界限，提前从可测量的模型缺陷中界定了滚动过程在物理不变性水平集上保持的步数。关键设计选择是认证解码后的物理不变性，而非学习的哈密顿量或标量见证。我们推导了壳地平线证书，其预算分解为表示、读取和潜在动态缺陷，并通过单调对齐桥梁实现了软学习见证与解码不变性之间的认证地平线。实验结果表明，守恒证书可以在学习表示中存活，但几何先验的存活能力不一。
🔬 方法详解
问题定义：本文旨在解决在学习潜在表示后，物理模型中守恒法则的认证问题。现有方法未能有效处理模型缺陷对物理不变性的影响，导致不确定性增加。
核心思路：论文提出通过解码潜在状态来认证物理不变性，而不是依赖于学习的哈密顿量或标量见证。这种设计使得我们能够直接评估解码后的物理不变性，从而提供更可靠的认证。
技术框架：整体架构包括三个主要模块：表示学习模块、解码模块和动态缺陷评估模块。通过这些模块，我们能够构建壳地平线证书，评估模型在不同条件下的表现。
关键创新：最重要的创新在于提出了壳地平线证书的概念，能够将模型缺陷的预算分解为表示、读取和潜在动态缺陷，从而实现对解码不变性的认证。与现有方法相比，这一方法提供了更为细致的缺陷分析。
关键设计：在设计中，采用了单调对齐桥梁的概念，以实现软学习见证与解码不变性之间的认证。此外，实验中使用了稳定的读取子管道，以确保像素认证的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，硬的经典辛结构在已知相位坐标中提供了最长的地平线，而在非线性学习表示设置中，控制的Lipschitz对齐软不变性表现出显著的存活能力。具体而言，非线性增强了系统的表现，像素认证在读取稳定的子管道上得以恢复。
🎯 应用场景
该研究在物理建模、机器人控制和智能系统等领域具有广泛的应用潜力。通过确保学习表示中的物理不变性，能够提高模型在复杂环境中的稳定性和可靠性，推动智能系统的安全性和有效性。
📄 摘要（原文）
We ask a representation-learning question about physical world models: when does a conservation law remain certifiable after a model learns a latent representation? A certified horizon bounds -- in advance, from measurable model defects -- how many steps a rollout provably stays on a physical invariant's level set. The key design choice is what is certified: not a learned latent Hamiltonian or a learned scalar witness (a model can conserve either while drifting in true energy), but the decoded physical invariant obtained by decoding the latent state and evaluating the known invariant. Around this object we derive shell-horizon certificates whose budget decomposes into representation, readout, and latent-dynamics defects, with a monotone alignment bridge through which a soft learned witness yields a certified horizon for the decoded invariant, and test them across state, learned-lift, and pixel observations on conservative systems. Conservation certificates can survive learned representation, but not all geometric priors survive equally. Hard canonical symplectic structure yields the longest horizons in known phase coordinates yet does not cross a learned chart, whereas a controlled-Lipschitz-aligned soft invariant survives in the nonlinear learned-representation settings we test -- two lift systems, with the gain growing with nonlinearity, and pixels. Pixel certification is recovered on a readout-stable sub-tube, and the Kepler problem exposes a geometric boundary. The central object is therefore not a latent Hamiltonian, but a decoded physical invariant whose robustness to representation learning can be measured, certified, and falsified.