守恒定律何时能在学习表示中存活？潜在世界模型的认证视野
本研究探讨了一个表示学习问题：物理世界模型在学习潜在表示后，守恒定律是否仍可被认证。作者提出“认证视野”的概念，即从可测量的模型缺陷出发，预先保证模拟轨迹在物理不变量水平集上保持的步数。核心创新在于认证对象是解码后的物理不变量，而非学习到的潜在哈密顿量或标量见证。通过分解表示、读出和潜在动力学缺陷的预算，并引入单调对齐桥，该框架在保守系统上进行了测试，发现不同的几何先验表现各异：硬规范辛结构在已知相坐标下视野最长，但无法跨越学习图表；而受控Lipschitz对齐的软不变量在学习表示设置中表现良好。像素认证可在读出稳定的子管道中恢复，开普勒问题则暴露了几何边界。
arXiv上发表的一篇新论文《When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models》深入探讨了物理世界模型中的一个关键问题：当模型学习潜在表示后，守恒定律是否仍然可以被认证？该研究由Hongbo Wang撰写，提出了“认证视野”（certified horizon）这一概念，为潜在世界模型的可靠性提供了新的理论保证。
在物理模拟中，守恒定律（如能量守恒、动量守恒）是确保模型物理一致性的基础。然而，当模型采用深度学习技术从数据中学习潜在表示时，这些物理不变量可能会被破坏。传统的做法是尝试学习一个潜在的哈密顿量或标量见证，但论文指出，即使这些量被模型保守，真正的物理能量仍可能漂移。因此，作者提出了一种新方法：认证解码后的物理不变量，即通过解码潜在状态并评估已知的不变量来获得可靠的保真度。
围绕这一对象，论文推导了“壳-视野证书”（shell-horizon certificates），其预算分解为表示缺陷、读出缺陷和潜在动力学缺陷三个部分。通过引入单调对齐桥（monotone alignment bridge），一个软学习见证可以为解码后的不变量提供认证视野。研究在状态观测、学习提升观测和像素观测多种场景下对保守系统进行了测试。
实验结果揭示了不同几何先验的显著差异：硬规范辛结构（hard canonical symplectic structure）在已知相坐标下提供了最长的视野，但无法跨越学习得到的图表（chart）；而受控Lipschitz对齐的软不变量（controlled-Lipschitz-aligned soft invariant）在学习表示设置中表现稳健。像素认证可在读出稳定的子管道（sub-tube）中恢复。此外，开普勒问题暴露了几何边界，表明某些守恒定律在特定表示下可能无法被认证。
论文强调，核心对象并非潜在哈密顿量，而是解码后的物理不变量，其对表示学习的鲁棒性可以被测量、认证和证伪。这一工作为潜在世界模型的安全性和可靠性提供了理论工具，有望在机器人、物理模拟和机器学习等领域产生重要影响。