arXivに投稿された新たな論文「When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models」は、物理世界モデルにおける根本的な問題に取り組んでいます。著者のHongbo Wangは、モデルが潜在表現を学習した後でも保存則（エネルギー保存則など）が信頼できる形で保たれるかどうかを問い、新たな「認証地平」（certified horizon）という概念を導入しました。
物理シミュレーションにおいて保存則は、モデルの物理的一貫性を確保する上で不可欠です。しかし、深層学習を用いてデータから潜在表現を学習する場合、これらの物理不変量が損なわれる可能性があります。従来のアプローチでは、潜在ハミルトニアンやスカラー証人を学習しようとしましたが、論文は、たとえこれらの量がモデルによって保存されても、真のエネルギーが漂流し得ることを指摘します。そこで、潜在状態を復号し既知の不変量を評価することで得られる「復号された物理不変量」を認証する新しい手法を提案します。
この目的のために、論文は「殻-地平認証」（shell-horizon certificates）を導出します。その予算は、表現欠陥、読み出し欠陥、潜在ダイナミクス欠陥に分解されます。単調アライメントブリッジ（monotone alignment bridge）を介して、ソフト学習証人が復号された不変量の認証地平を提供できるようにします。著者らは、状態観測、学習リフト観測、ピクセル観測の様々な設定で保存系をテストしました。
実験結果は、幾何学的先験知識の選択が重要であることを示しています。ハード正準シンプレクティック構造（hard canonical symplectic structure）は、既知の位相座標において最長の地平を提供しますが、学習されたチャートを越えることができません。一方、制御リプシッツ整列ソフト不変量（controlled-Lipschitz-aligned soft invariant）は、学習された表現設定でも堅牢に機能します。ピクセル観測における認証は、読み出し安定サブチューブ（readout-stable sub-tube）内で回復可能です。また、ケプラー問題は幾何学的境界を露呈し、特定の表現下では保存則が認証不可能になる場合があることを示しています。
この研究の核心は、潜在ハミルトニアンではなく、復号された物理不変量であり、その表現学習に対するロバスト性が測定・認証・反証可能であることです。本成果は、潜在世界モデルの安全性と信頼性を理論的に保証するツールを提供し、ロボティクス、物理シミュレーション、機械学習などの分野に重要な影響を与えることが期待されます。