[論文レビュー] PHAST: Port-Hamiltonian Architecture for Structured Temporal Dynamics Forecasting

Shubham Bhardwaj, Chandrajit Bajaj|arXiv (Cornell University)|Feb 20, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

PHAST は、既知/部分/未知の知識 regime を跨いでポート・ハミルトニアン分解 (V, M, D) を課し、構造保存積分の Strang 分割を用いて長期安定予測とアンカーが利用可能な場合の解釈可能なパラメータ回復を実現する q 専用ダイナミクス学習法である。

ABSTRACT

Real physical systems are dissipative -- a pendulum slows, a circuit loses charge to heat -- and forecasting their dynamics from partial observations is a central challenge in scientific machine learning. We address the \emph{position-only} (q-only) problem: given only generalized positions~$q_t$ at discrete times (momenta~$p_t$ latent), learn a structured model that (a)~produces stable long-horizon forecasts and (b)~recovers physically meaningful parameters when sufficient structure is provided. The port-Hamiltonian framework makes the conservative-dissipative split explicit via $\dot{x}=(J-R) abla H(x)$, guaranteeing $dH/dt\le 0$ when $R\succeq 0$. We introduce extbf{PHAST} (Port-Hamiltonian Architecture for Structured Temporal dynamics), which decomposes the Hamiltonian into potential~$V(q)$, mass~$M(q)$, and damping~$D(q)$ across three knowledge regimes (KNOWN, PARTIAL, UNKNOWN), uses efficient low-rank PSD/SPD parameterizations, and advances dynamics with Strang splitting. Across thirteen q-only benchmarks spanning mechanical, electrical, molecular, thermal, gravitational, and ecological systems, PHAST achieves the best long-horizon forecasting among competitive baselines and enables physically meaningful parameter recovery when the regime provides sufficient anchors. We show that identification is fundamentally ill-posed without such anchors (gauge freedom), motivating a two-axis evaluation that separates forecasting stability from identifiability.

研究の動機と目的

• 部分的な観測しかない一般化位置のみが利用可能な現実の散逸物理系の予測を動機付ける。
• 三つの知識 regime の下でダイナミクスをポテンシャル、質量、減衰成分に分解する統一的なポート・ハミルトニアン・アーキテクチャを開発する。
• 受動性と構造保存離散化を通じて安定性を保証し、物理アンカーが提供される場合にはパラメータ識別性を有効化する。
• q のみデータからさまざまな領域で学習を促進し、識別性と予測のトレードオフを分析する。
• 位置履歴から位相状態を再構成し Strang 分割コアでダイナミクスを進めるパイプラインを提供する。

提案手法

• 速度オブザーバを用いて dot{q} を推定する三段階の PHAST パイプラインを用いる（キャリブレーション/正規化器は位相状態 (q, p) へ写像、ポート・ハミルトニアンコアは前方積分）。
• D(q) を低ランクの外積展開でパラメータ化し、D(q) ≽ 0 および M(q) ≻ 0 を O(n r) 演算で保証する。
• 積分時にエネルギー-散逸構造を保存する Strang 分割に基づく離散化を用いる。
• データ適合性、エネルギー整合性、ロールアウト安定性を含む重み付き目的関数で訓練し、エンドツーエンド学習を可能にする。
• KNOWN, PARTIAL, UNKNOWN の三つの知識 regime をサポートし、V(q)、M(q) を固定または学習させ、D(q) は全 regime で学習する。
• ポート・ハミルトニアン枠組みにおける Energy–Casimir 制御を用いて強制ダイナミクスへ拡張する。

Figure 5: Open-loop rollouts and phase-space portraits across three dissipative benchmarks (q-only). Top row : a single test trajectory is teacher-forced through a short burn-in window (grey region, vertical dashed line), then predicted open-loop for $H{=}100$ steps. Column 1 (Windy Pendulum, $\thet

実験結果

リサーチクエスチョン

• RQ1 PHAST は q のみの観測から多様な散逸系に対して長期安定のオープンループ予測を達成できるか。
• RQ2 一部構造が既知または部分的に既知の場合、V、M、D が物理的に意味のあるパラメータとして回復できる程度はどれくらいか。
• RQ3 ゲージ自由度が q のみの学習で識別性にどう影響するか、V または M をアンカーづけると識別性は改善されるか。
• RQ4 構造保存の積分法（Strang 分割）が離散時間でパッシビリティを保存し、安定したエネルギー挙動を保証するか。
• RQ5 KNOWN、PARTIAL、UNKNOWN regime が、機械系、電気系、熱系、分子系、重力系、生態系などの領域で予測精度とパラメータ識別性をどう比較するか。

主な発見

• PHAST は q のみのベンチマーク13件で競合ベースラインの中で最も長期的なオープンループ安定性を達成。
• KNOWN regime では、単純な振り子と二重振り子の真の減衰をほぼ完璧な識別性（R^2 ≈ 1）で回復。
• PARTIAL regime では、3つのテスト系すべてにおいて最良の予測性能を提供。
• アンカーなしではゲージ自由度のため識別性の問題が生じることが確認され、予測性と識別性を分離する二軸評価を促進。
• Strang 分割と構造化パラメータ化により、エネルギー整合性を持つ安定なダイナミクスと効率的推論（D に対する O(n r)、M^{-1} p は Woodbury 法に基づく）を実現。
• ベンチマーク全体で、物理的構造が強いほど識別性と長期安定性がデータ駆動のみのベースラインより改善。

Figure 6: Damping identifiability and energy consistency across environments (q-only). Top row : learned damping field $d(\theta)$ vs. ground truth (black). Pendulum : PHAST (KNOWN) recovers the sinusoidal profile $d(\theta){=}d_{0}{+}\Delta d\,|\!\sin\theta|$ near-exactly ( $R^{2}_{D}{\approx}1$ );