[논문 리뷰] PHAST: Port-Hamiltonian Architecture for Structured Temporal Dynamics Forecasting

Shubham Bhardwaj, Chandrajit Bajaj|arXiv (Cornell University)|2026. 02. 20.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

PHAST는 q-전용 동역학 시스템을 알려진/부분적/미지의 지식 체계에서 포트 해밀토니언 분해(V, M, D)를 강제 적용하고, 구조 보존 적분을 위한 Strang 분할을 사용하여 안정적인 장시간 예측과 앵커가 있을 때 해석 가능한 매개변수 회복을 달성합니다.

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.

연구 동기 및 목표

• 일반화된 위치만 이용 가능하게 부분 관찰된 실제 소실적 물리 시스템의 예측을 촉진한다.
• 세 가지 지식 체계 하에서 역학을 퍼텐셜, 질량, 감쇠 구성요소로 분해하는 통합 포트 해밀토니언 아키텍처를 개발한다.
• 패시비성을 통해 안정성과 구조 보존 디스cretization으로 안정성 보장하고 물리 앵커가 제공될 때 매개변수 식별 가능성을 가능하게 한다.
• 다양한 도메인에서 q-전용 데이터로 학습을 촉진하고 식별 가능성과 예측 간의 트레이드오프를 분석한다.
• 위치 이력으로부터 위상 상태를 재구성하고 Strang 분할 코어로 역학을 전진시키는 파이프라인을 제공한다.

제안 방법

• 세 단계 PHAST 파이프라인을 활용: dot{q}를 추정하기 위한 속도 관측자, 위상 상태(q, p)로 매핑하는 정규화기, 앞으로의 적분을 위한 포트 해밀토니언 코어.
• D(q)를 저랭크 외적곱 전개로 매개화하여 D(q) ≽ 0 및 M(q) ≻ 0를 O(n r) 연산으로 보장.
• Strang-splitting 기반 이산화로 적분 중 에너지-소멸 구조를 보존.
• 데이터 적합도, 에너지 일관성, 롤아웃 안정성 용어를 포함하는 가중 목표로 학습하되 엔드투엔드 학습이 가능.
• KNOWN, PARTIAL, UNKNOWN의 세 지식 체계를 지원하여 V(q), M(q)를 고정하거나 학습하고 D(q)는 모든 경우에 학습.
• 포트 해밀토니언 프레임워크에서 Energy–Casimir 제어를 통해 강제로 역학으로 확장.

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

실험 결과

연구 질문

• RQ1 PHAST가 q-전용 관찰로부터 다양한 소실 시스템에서 안정적이고 장기간의 오픈 루프 예측을 달성할 수 있는가?
• RQ2 일부 구조가 알려져 있거나 부분적으로 알려진 경우 PHAST가 물리적으로 의미 있는 매개변수(V, M, D)를 회복할 수 있는 정도는?
• RQ3 게이지 자유도가 q-전용 학습에서 식별성에 어떤 영향을 미치며 V나 M을 고정하면 식별성이 향상되는가?
• RQ4 구조 보존적 적분 스킴(Strang 분할)이 패시비성을 보존하고 이산 시간에서 안정적인 에너지 동작을 보장하는가?
• RQ5 KNOWN, PARTIAL, UNKNOWN 체계는 기계, 전기, 열, 분자, 중력, 생태 도메인에서 예측 정확도와 매개변수 식별성에 어떤 차이가 있는가?

주요 결과

• PHAST는 열세 개의 q-only 벤치마크에서 경쟁적 기준선들 중 가장 긴 시간의 오픈 루프 안정성을 달성한다.
• KNOWN 체제에서 PHAST는 간단한 진자 및 이중 진자에서 진동 감쇠를 거의 완벽하게 식별가능한 상태로 회복한다(R^2 ≈ 1).
• PARTIAL 체제에서 PHAST는 세 시스템 모두에서 가장 좋은 예측을 제공한다.
• 앵커가 없으면 식별은 게이지 자유도 때문에 해가 잘 풀리지 않으며 예측성과 식별가능성 사이의 2축 평가가 필요하다.
• Strang-splitting 및 구조화된 매개변수화로 안정적이고 에너지 일관된 역학 및 효율적인 추론을 가능하게 한다(O(n r)로 감쇠; M^{-1}p에 Woodbury 기반).
• 벤치마크 전반에 걸쳐 더 강한 물리적 구조가 순수 데이터 기반 기준선에 비해 식별가능성과 장기간 안정성을 개선한다.

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 ( $R^{2}_{D}{\approx}1$ );