CaLiSym：構造的標準リフトによる実世界システムのシンプレクティックダイナミクスの学習

近年、物理情報学習はデータ効率的で安定した力学予測を実現する手法として注目されていますが、その最も強力な幾何学的保証であるシンプレクティック構造の保存は、主に閉じた保存系に限定されてきました。しかし実際のロボットシステムでは、駆動、散逸、拘束が環境とエネルギーや運動量を絶えず交換するため、従来のシンプレクティック学習を直接適用することは困難です。この課題を解決するために、arXivに投稿された論文ではCaLiSym（構造的標準リフトによるシンプレクティック学習）という軽量フレームワークを提案しています。

CaLiSymの中心的なアイデアは、幾何学的事前分布を課す場所を変更することにあります。従来の方法は測定された物理状態（位置や運動量など）に直接シンプレクティック性を強制していましたが、CaLiSymは状態とその物理的ポート（外部力や速度など）を構造化されたリフトされた標準位相空間に埋め込みます。このリフトは明示的かつ代数的であり、再帰的潜在状態やトランスフォーマーデコーダ、暗黙的最適化、推論時のODE積分を必要としません。学習された力学は、この高次元空間内で正確なシンプレクティック写像を通じて進化するため、幾何学的構造が保存されます。

具体的な実装では、一般化リッジ回帰をSympNetと組み合わせたGeneralized-Ridge SympNet予測器を使用し、さらにBスプラインの局所近似能力と正確なシンプレクティック構造を融合させたGRB-SympNetを導入しています。GRB-SympNetは、非一様な力学挙動を示す実世界のロボットシステムにおいて、局所的な適応性と大域的な幾何学的保証を両立します。

実験は、制御された散逸性二重振り子、実世界のクアッドローター、接触豊富な四脚ロボットの3つのプラットフォームで実施されました。これらのシステムはそれぞれ、駆動と散逸、複雑な空気力学、接触拘束といった非保存特性を代表しています。結果は、CaLiSymがパラメータ効率の良いモデルを使用しながら、分布外自己回帰予測において一貫した改善を示し、学習されたリフト力学がシンプレクティック形式を数値精度で保存することを実証しました。特に、四脚ロボットの実験では、複雑な接触シーケンスを含む運動を高精度で予測し、接触力の分布も実測データとよく一致しました。

実験では、分布外予測の平均二乗誤差（RMSE）を評価し、CaLiSymはベースライン手法に比べて最大で30%の誤差低減を達成しました。また、シンプレクティック形式の保存指標として、シンプレクティック度（% symplecticity）を計算し、すべての実験で99.9%以上の精度を維持しました。これらの結果は、CaLiSymが幾何学的整合性を保ちながら、実際の複雑なシステムに対して優れた予測性能を発揮することを示しています。

論文は18ページ、4つの図、5つの表から構成され、ロボティクス（cs.RO）と機械学習（cs.LG）の分野に分類されています。CaLiSymは、シンプレクティック学習を保存力学の枠を超えて実世界のロボットシステムに拡張した初めての手法であり、幾何学保存力学モデルによる正確で汎用的なロボット制御やシミュレーションへの道を開くものと期待されます。