物理世界モデルにおける安定性と反事実的推論の構造的基盤

学習ベースの物理シミュレータが、訓練条件から外れた状況で生じる2種類の失敗（長期的なロールアウトでの誤差蓄積による物理的整合性の崩壊と、物理パラメータ介入時に訓練時の法則に固執する問題）を分析し、それぞれに異なる構造的解決策を提案する研究。 - 長期的安定性には symplectic integrator と learned energy の組み合わせが有効。 - 反事実的一般化（介入への追従）には物理的結合を明示的な線形 factorization で符号化することが有効。 - 両メカニズムは分離可能であることを示す。

従来の学習シミュレータは訓練条件では正確でも、長期ロールアウトや介入時に失敗する。 - 等容量の predictor、energy-regularized predictor、調整済み neural ODE は長期で発散するが、symplectic integrator を用いた手法は訓練ホライズンの最大100倍まで安定。 - 制約なしパラメータ化は訓練時の法則に固定されるが、factorized coupling は未見の結合符号に追従可能。 - 二重解離を matched controls で確立し、一方の構造を除去しても他方の能力が保たれることを示した点が新しい。

学習された energy を symplectic integrator で時間発展させることで保守力学系の幾何学的構造を保持し、ロールアウトを有界に保つ。 - 物理的結合を明示的な線形 factorization で表現し、介入時の符号変化に追従できるようにする。 - 各構造要素を一つずつ除去・置換する matched controls を設計し、安定性と反事実転移の分離を検証。 - 三体問題に加え、ピクセルから物理状態を推論する設定でも有効性を確認。

訓練ホライズンの最大100倍の長期ロールアウトで、symplectic integrator が軌道を有界かつ物理的に妥当に保つことを確認。 - 等容量 predictor、energy-regularized predictor、調整済み neural ODE との比較で発散を回避。 - 物理パラメータの介入（未見の結合符号）に対して、factorized coupling が追従することを検証。 - matched controls により、安定性と反事実転移の二重解離を実証。 - 三体問題を超えた系、およびピクセル入力からの状態推論設定でも結果を確認。

長期的安定性と変化した法則への一般化は異なる構造的コミットメントから生じ、それぞれを他方なしに意図的に導入できるという設計原理を提示。 - 二重解離は matched controls で頑健に示され、三体問題を超えて持続。 - ピクセルからの状態推論時にも可視化される。 - 限界や今後の課題については要旨からは不明。

要旨で参照/比較されている研究：equal-capacity predictors、energy-regularized predictor、tuned neural ODE。 - 関連手法：symplectic integrator、learned energy、neural ODE、factorized coupling。 - 同分野の定番：Hamiltonian Neural Networks、Lagrangian Neural Networks、Neural ODE。 - 具体的な論文タイトルは要旨からは不明。