守恆定律何時能在學習表示中存活？潛在世界模型的認證視野
本研究探討了一個表示學習問題：物理世界模型在學習潛在表示後，守恆定律是否仍可被認證。作者提出“認證視野”的概念，即從可測量的模型缺陷出發，預先保證模擬軌跡在物理不變量水平集上保持的步數。核心創新在於認證對象是解碼後的物理不變量，而非學習到的潛在哈密頓量或標量見證。通過分解表示、讀出和潛在動力學缺陷的預算，並引入單調對齊橋，該框架在保守系統上進行了測試，發現不同的幾何先驗表現各異：硬規範辛結構在已知相座標下視野最長，但無法跨越學習圖表；而受控Lipschitz對齊的軟不變量在學習表示設置中表現良好。像素認證可在讀出穩定的子管道中恢復，開普勒問題則暴露了幾何邊界。
arXiv上發表的一篇新論文《When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models》深入探討了物理世界模型中的一個關鍵問題：當模型學習潛在表示後，守恆定律是否仍然可以被認證？該研究由Hongbo Wang撰寫，提出了“認證視野”（certified horizon）這一概念，為潛在世界模型的可靠性提供了新的理論保證。
在物理模擬中，守恆定律（如能量守恆、動量守恆）是確保模型物理一致性的基礎。然而，當模型採用深度學習技術從數據中學習潛在表示時，這些物理不變量可能會被破壞。傳統的做法是嘗試學習一個潛在的哈密頓量或標量見證，但論文指出，即使這些量被模型保守，真正的物理能量仍可能漂移。因此，作者提出了一種新方法：認證解碼後的物理不變量，即通過解碼潛在狀態並評估已知的不變量來獲得可靠的保真度。
圍繞這一對象，論文推導了“殼-視野證書”（shell-horizon certificates），其預算分解為表示缺陷、讀出缺陷和潛在動力學缺陷三個部分。通過引入單調對齊橋（monotone alignment bridge），一個軟學習見證可以為解碼後的不變量提供認證視野。研究在狀態觀測、學習提升觀測和像素觀測多種場景下對保守系統進行了測試。
實驗結果揭示了不同幾何先驗的顯著差異：硬規範辛結構（hard canonical symplectic structure）在已知相座標下提供了最長的視野，但無法跨越學習得到的圖表（chart）；而受控Lipschitz對齊的軟不變量（controlled-Lipschitz-aligned soft invariant）在學習表示設置中表現穩健。像素認證可在讀出穩定的子管道（sub-tube）中恢復。此外，開普勒問題暴露了幾何邊界，表明某些守恆定律在特定表示下可能無法被認證。
論文強調，核心對象並非潛在哈密頓量，而是解碼後的物理不變量，其對錶示學習的魯棒性可以被測量、認證和證偽。這一工作為潛在世界模型的安全性和可靠性提供了理論工具，有望在機器人、物理模擬和機器學習等領域產生重要影響。