arXivに「Planning Neural Dynamics with Lie Group Embedding through Supervised Projective Manifold Learning」と題するプレプリント論文（arXiv:2605.26167v1）が公開された。著者はTianwei Wangら6名で、2026年5月24日に投稿され、現在査読中である。本論文は機械学習（cs.LG）に分類され、人工知能、力学系、環と代数などの分野にも関連する。
論文の中心は、リー群埋め込み動的ニューラルネットワーク（LieEDNN）と呼ぶ新しい枠組みと、それに対応する学習アルゴリズムの提案である。この枠組みでは、リー群を多様体幾何学の連続対称性の内在的表現として扱い、基礎となる多様体上で学習可能かつ安定なダイナミクスを実現する。リー群（SO(3)やSE(3)など）の強力な表現能力を活用し、ロボティクス、グラフィックス、制御などの実世界の工学分野の問題を解決することを目指す。
しかし、リー群をニューラルネットワークに埋め込むには二つの主要な課題がある。第一に、一般のリー群は加法演算と互換性がなく、加法はニューラルネットワークの相互作用に不可欠である。第二に、ダイナミクスは通常のユークリッド空間ではなく、リー代数の非線形表現空間で進化するため、一般的なニューラルODEのパラダイムに反する。
これらの課題を解決するため、著者らはまずリー代数上に随伴リー群作用を導入する。この作用は線形写像を誘導し、重み行列のブロック構造に変換されることで、加法をベクトル空間としてのリー代数上で操作可能にする。次に、リー代数と随伴作用を線形変換としてパラメータ化し、アーキテクチャをニューラルネットワークのパーセプトロンと整合させる。具体的には、この埋め込みは重み上のブロック多様体制約として現れ、時間ニューラルネットワークダイナミクスの安定性を保証しながら平衡点を学習するアルゴリズムを開発する。
実験は特定のリー群SE(3)上で実施され、伸縮マニピュレータの応用シナリオで検証された。本研究は、一般リー群上で安定かつ学習可能なダイナミクスを実現する系統的な方法を提供し、ロボット制御などの分野の進展に寄与することが期待される。