arXiv cs.AI· Yulong Yang, Jiayin Liu, Vineet Bansal, Christine Allen-Blanchette·· 6 天前AI 评分22
SPS-GAN：从轨迹与视频中学习哈密顿系统的相空间结构
Discovering Phase Space Structure in Learned Hamiltonian Systems
AI 导读
Structured Phase Space GAN（SPS-GAN）是一种条件生成模型，将 port-Hamiltonian 主干与对抗式条件生成结合，可在单一架构中表示保守、耗散与受迫系统，并从笛卡尔轨迹和视频中学习结构化动力学。
正文 · AI 翻译
摘要：受力学启发的神经常微分模型提升了可解释性和物理一致性，但它们通常假设已知的构型空间、固定的物理参数，以及由给定初始条件决定的确定性预测。我们提出了结构化相空间 GAN（SPS-GAN），一种条件生成模型，能够从笛卡尔轨迹和视频中学习结构化动力学。SPS-GAN 将端口-哈密顿主干与对抗条件生成相结合，使保守、耗散和受迫系统能够在单一架构中表示。为了从原始观测中推断潜在的力学结构，我们使用循环坐标损失，在无法访问真实相空间的情况下恢复系统的自由度和正则坐标。在模拟和真实系统上的实验表明，SPS-GAN 在轨迹精度上优于监督动力学基线，在视频一致性上优于生成基线，同时在各种观测模态和动力学机制下始终能恢复正确的潜在力学坐标。
| 评论： | 被第 40 届神经信息处理系统年度会议（NeurIPS 2026）接收。最终版即将发布 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；系统与控制（eess.SY） |
| 引用为： | arXiv:2509.23003 [cs.LG] |
| （或 arXiv:2509.23003v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2509.23003 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Yulong Yang [查看邮箱]
[v1]
2025年9月26日星期五 23:46:55 UTC（7,705 KB）
[v2]
2026年1月14日星期三 17:15:25 UTC（8,482 KB）
[v3]
2026年10月8日星期四 20:45:56 UTC（12,455 KB）
来源：arXiv cs.AI · arxiv.org