新上线今天0 投票
守恒定律能否在表征学习中幸存？潜在世界模型的可信视界
物理世界模型中的守恒定律，在神经网络学会潜表征之后还能被信任吗？一篇来自 arXiv 的新论文（arXiv:2606.24945）给出了一个量化的回答：可信视界——即在可测量的模型缺陷下，模型 rollout 仍能保证停留在物理不变量水平集上的步数上限。
核心创新：解码物理不变量
论文的关键设计在于，作者不直接认证一个“潜哈密顿量”或“潜标量见证者”，而是认证解码后的物理不变量：将潜状态解码回物理空间，再评估已知的守恒量。这一选择避免了“潜空间自己守恒但真实能量漂移”的陷阱。
围绕这个对象，作者推导出壳层-视界证书，其预算分解为三部分缺陷：
- 表征缺陷（representation defect）
- 读出缺陷（readout defect）
- 潜动力学缺陷（latent-dynamics defect）
通过一个单调对齐桥，软的已学习见证者可以为解码不变量提供可信视界。
实验发现：几何先验并非都有效
论文在保守系统中测试了三种观测类型：状态观测、学习提升观测和像素观测。实验结果揭示了几个关键结论：
- 硬规范辛结构在已知相坐标下提供最长的视界，但无法跨越已学习图表；
- 受控 Lipschitz 对齐的软不变量则在已学习表征设置中幸存；
- 像素级认证仅在读出稳定的子管道上恢复；
- 开普勒问题暴露了几何边界。
行业启示
这项工作为 AI 物理建模提供了重要视角：中心对象不是潜哈密顿量，而是解码物理不变量。在机器人、自动驾驶等依赖世界模型 rollouts 的领域，该框架允许从业者在部署前测量模型对物理定律的保真度，并提前知道模型在多少步内是“物理可信”的。
论文还指出，不同几何先验的鲁棒性差异显著，这为未来设计更可靠的表征学习算法指明了方向：与其追求完美的潜守恒，不如直接认证解码后的物理量，并量化其不确定性。