ИИ-суррогаты научили соблюдать законы физики: представлен Physics-conforming Latent Twins

Суррогатные модели стали незаменимым инструментом в научном машинном обучении, позволяя быстро прогнозировать, симулировать и управлять сложными физическими системами. Однако для временных задач простой интерполяции обучающих траекторий недостаточно: надёжные суррогаты должны также соблюдать законы сохранения, инварианты и диссипативные структуры, придающие этим траекториям физический смысл.

Группа исследователей предложила Physics-conforming Latent Twins (PCLT) — фреймворк для обучения латентных суррогатных операторов решения, динамика которых по замыслу удовлетворяет выбранным физическим принципам. Метод развивает подход Latent Twin, совместно обучая кодер, декодер и латентное отображение между состояниями в произвольные моменты времени, при этом на латентную динамику накладываются ограничения, предписывающие сохранять или диссипировать заданные структурные величины.

Авторы разработали точку зрения «переноса ограничений», которая связывает физическую структуру в исходном пространстве состояний с совместимыми ограничениями в латентном пространстве. Они доказали границы сохранения структуры, показывающие, что принудительное соблюдение ограничений в латентном пространстве улучшает контроль физических дефектов после декодирования. Кроме того, выведены алгебраические условия для латентных отображений, сохраняющих линейные и квадратичные инварианты или обеспечивающих диссипативные неравенства.

Численные эксперименты на репрезентативных задачах ОДУ и УРЧП продемонстрировали улучшенное соблюдение ограничений, структурную точность и качественное долгосрочное поведение при сохранении точности суррогатного прогнозирования.

Работа, опубликованная на arXiv (препринт 2606.15053), открывает путь к более надёжным и физически осмысленным ИИ-моделям для сложных систем — от гидродинамики до квантовой механики.