物理的智慧之舞：当AI学会用哈密顿的语言推理

在物理世界的舞台上，物体的运动仿佛一场精心编排的舞蹈——从摆动的单摆到混沌的双摆，每一步都遵循着能量守恒的旋律。如何让人工智能（AI）学会理解并预测这场舞蹈的轨迹？传统的机器学习模型往往像记笔记的学生，只会模仿数据的外表，却无法领悟物理定律的深层逻辑。而一项名为“去噪哈密顿网络”（Denoising Hamiltonian Network, DHN）的新研究，宛如为AI赋予了一双洞悉物理规律的眼睛，让它不仅能预测运动轨迹，还能从稀疏数据中推断系统参数，甚至填补缺失的运动片段。这就像一个聪明的舞者，不仅能记住舞步，还能根据音乐的节奏即兴创作。

由邓从越、冯博然等研究者提出的DHN，将哈密顿力学的经典框架与神经网络的灵活性巧妙融合。它通过“去噪”机制修正预测误差，用“块状”处理捕捉非局部时间关系，并通过全局条件编码实现多系统建模。这项工作不仅突破了传统哈密顿神经网络（HNN）的局限，还为物理推理任务开辟了新的可能性。让我们跟随DHN的步伐，探索它如何让AI在物理推理的舞台上翩翩起舞。

🌟 从局部到全局：物理推理的新篇章

想象一下，你在观察一个单摆的摆动。传统的哈密顿神经网络（HNN）就像一个勤奋的记录员，专注于每一步的“下一步”预测——从当前状态 $(q_t,p_t)$ 推测下一状态 $(q_{t+1},p_{t+1})$。这种局部更新虽然精准，却像只见树木不见森林，忽略了运动轨迹中的长期模式或高阶关系。更重要的是，它只擅长“向前模拟”，无法应对更广泛的物理推理任务，比如从部分观测推断系统参数，或填补缺失的轨迹片段。

DHN的创新在于，它跳出了这种局部视角，采用了“块状”处理方式，将多个时间步的状态 $(q,p)$ 打包成一个整体进行推理。这种方法就像从单一的舞步转向整段舞蹈的编排，捕捉了时间上的非局部关系。DHN还引入了去噪机制，灵感来源于去噪扩散模型（Ho et al., 2020），通过迭代优化修正预测误差，确保轨迹符合物理规律。此外，DHN通过全局潜在编码支持多系统建模，让一个模型就能处理不同物理参数的系统，比如不同长度的摆。

DHN的灵活性在三个任务中得到了验证：轨迹预测与补全、从部分观测推断物理参数，以及通过渐进超分辨率插值稀疏轨迹。这些任务展示了DHN如何从单一的“预测者”转变为多才多艺的“推理者”。

🧠 哈密顿的神经化：从经典力学到神经运算

要理解DHN的魔力，我们先来回顾哈密顿力学的基础。哈密顿力学用相空间坐标 $(q,p)$ 描述系统状态，其中 $q$ 是广义坐标（如位置或角度），$p$ 是广义动量。系统的演化由哈密顿函数 $\mathcal{H}(q,p)$ 控制，通过哈密顿方程：

$$\frac{dq}{dt}={\nabla }_p\mathcal{H},\frac{dp}{dt}=-{\nabla }_q\mathcal{H}$$

这些方程定义了系统在相空间中的轨迹，保持能量守恒。传统HNN（Greydanus et al., 2019）将 $\mathcal{H}$ 参数化为神经网络 $\mathcal{H}(q,p;\theta )$，通过最小化损失函数优化参数：

$${\mathcal{L}}_{\text{HNN}}(\theta )=\Vert {\nabla }_p\mathcal{H}-\frac{dq}{dt}\Vert +\Vert {\nabla }_q\mathcal{H}+\frac{dp}{dt}\Vert$$

然而，传统HNN局限于局部时间步更新，且对数值积分误差敏感。DHN通过引入离散块状哈密顿和去噪机制，打破了这些限制。

离散块状哈密顿：捕捉非局部关系

DHN将时间序列分成大小为 $b$ 的状态块 $Q_t^{t+b}=[q_t,\dots ,q_{t+b}]$ 和 $P_t^{t+b}=[p_t,\dots ,p_{t+b}]$，并定义步幅 $s$ 来控制块之间的时间跨度。离散“右”哈密顿 $H^{+}$ 描述了两个重叠块之间的关系：

$$Q_{t+s}^{t+s+b}={\nabla }_P{H}^{+}(Q_t^{t+b},P_{t+s}^{t+s+b}),P_t^{t+b}={\nabla }_Q{H}^{+}(Q_t^{t+b},P_{t+s}^{t+s+b})$$

这就像将舞蹈的几个片段拼接在一起，观察它们如何协调。相比传统HNN（$b=1,s=1$），块状处理允许DHN捕捉更长时间范围的动态（图4）。训练时，DHN优化块状损失函数：

$${\mathcal{L}}_{\text{block}}(\theta )=\Vert {\nabla }_P{H}_{\theta }^{+}(Q_t^{t+b},P_{t+s}^{t+s+b})-Q_{t+s}^{t+s+b}\Vert +\Vert {\nabla }_Q{H}_{\theta }^{+}(Q_t^{t+b},P_{t+s}^{t+s+b})-P_t^{t+b}\Vert$$

去噪机制：从噪声到秩序

DHN的去噪机制是其核心创新之一。训练时，DHN随机掩码部分状态或添加不同尺度的噪声（如图5），让模型学会从受损输入中恢复物理上合理的状态。噪声添加过程如下：

$$A^{\prime }=A\cdot (1-M),Q=(1-A^{\prime })\cdot Q+A^{\prime }\cdot \mathcal{E}$$

其中 $M$ 是二进制掩码，$A$ 是噪声尺度，$\mathcal{E}$ 是高斯噪声。推理时，DHN通过迭代去噪，逐步将噪声状态 $Q$ 优化为真实状态（图17）。这就像修复一幅被涂鸦的画作，逐渐擦去杂乱的笔迹，显露出清晰的图案。

全局条件编码：一网打尽多系统

为了处理不同物理参数的系统（如不同长度的摆），DHN引入了全局潜在编码 $z$，作为轨迹的条件输入。采用自解码器（autodecoder）框架（Park et al., 2019），DHN为每条轨迹维护一个可学习的潜在编码（图8）。训练时，网络权重和编码簿联合优化；推理时，仅优化新轨迹的潜在编码。这种方法让DHN能以单一模型处理异构系统，同时保持物理一致性。

🚀 DHN的舞台表演：实验验证

研究团队在单摆和双摆系统上测试了DHN的性能。单摆是周期性系统，能量守恒易于验证；双摆则是混沌系统，微小扰动可能导致大幅偏差。实验数据集包含1000条训练轨迹和200条测试轨迹，每条轨迹有128个时间步。通过改变摆的弦长（单摆：0.5-1.0；双摆：$l_2$ 在0.5-1.5之间），数据集增加了系统多样性（图18）。

DHN在三种任务中展现了其多才多艺：

任务1：向前模拟

在向前模拟任务中，DHN预测系统的未来状态。训练时，掩码最后几个状态，模拟自回归预测（图6上）。推理时，给定初始状态，DHN逐步预测后续状态。实验测试了不同块大小（$b=2,4,8$，步幅 $s=b/2$）。

结果（图9、图10）：DHN在单摆和双摆上的状态预测误差（MSE）低于传统HNN，尤其在能量守恒方面表现出色。HNN依赖数值积分器，长期预测中能量漂移明显，而DHN通过去噪机制稳定能量。小块大小（$b=2$）效果最佳，大块大小可能因网络复杂度不足导致误差积累。

任务2：表示学习

表示学习任务测试DHN是否能从轨迹中提取系统参数（如双摆的弦长比 $l_2/l_1$）。采用随机掩码策略（图6下），DHN预训练潜在编码 $z$，然后通过线性回归预测参数。

结果（图11、图12）：DHN的MSE远低于HNN和无物理约束的基线模型。块大小 $b=4$ 时效果最佳，表明适中的时间尺度有助于捕捉系统特性。步幅 $s\approx b/2$ 提供了最佳的输入-输出重叠，平衡了自一致性和跨时间关系（图12b）。

任务3：轨迹插值

轨迹插值任务通过4倍超分辨率填补稀疏轨迹，采用逐级2倍超分辨率策略（图13）。训练时，掩码中间状态（图6中）；推理时，优化潜在编码后逐步去噪。

结果（图14）：在与训练数据相同初始状态的轨迹上，DHN和CNN表现相近，但CNN因缺乏物理约束，易过拟合。面对未见初始状态的轨迹，DHN的泛化能力远超CNN，显示出其物理约束的优越性。

🔍 DHN的成功秘诀

DHN的成功归功于三个关键创新：

1. 非局部建模：块状哈密顿捕捉长时间依赖，避免传统HNN的局部局限。
2. 去噪优化：迭代去噪机制修正误差，增强长期预测的稳定性。
3. 多系统适应：全局潜在编码支持异构系统建模，减少模型冗余。

这些特性让DHN不仅能模拟轨迹，还能推理参数和填补数据，展现了物理推理的广度。

⚙️ 挑战与未来

尽管DHN表现出色，但也面临挑战。计算成本是主要瓶颈：去噪和块状处理需要更多梯度计算（PAGE5）。此外，当前实验限于简单系统，扩展到复杂时空系统可能需要更强大的架构，如分层注意力机制（PAGE5）。物理一致性的放松（块状哈密顿仅保守总能量而非单状态能量）也可能在某些场景下影响精度（APPENDIX B）。

未来，DHN可探索以下方向：

• 复杂系统：应用于高维时空动态，如流体或电磁场。
• 理论分析：研究去噪过程的收敛性和物理一致性。
• 实时推理：优化计算效率，支持实时物理模拟。

🎉 结语：物理与AI的和谐共舞

DHN的出现标志着物理推理的新时代。它将哈密顿力学的优雅与神经网络的灵活性相结合，让AI不仅能预测物理系统的未来，还能从碎片化的观测中推理系统的本质。就像一位舞者通过零星的旋律重现整支舞，DHN在物理推理的舞台上展现了惊艳的表演。未来，随着计算能力的提升和架构的优化，DHN有望带领AI在更广阔的科学领域翩翩起舞。

参考文献

1. Deng, C., Feng, B. Y., Garraffo, C., et al. (2024). Denoising Hamiltonian Network for Physical Reasoning. arXiv preprint arXiv:2503.07596v1.
2. Greydanus, S., Dzamba, M., & Yosinski, J. (2019). Hamiltonian Neural Networks. Neural Information Processing Systems.
3. Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33, 6840-6851.
4. Park, J. J., Florence, P., Straub, J., et al. (2019). DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 165-174.
5. Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations. Journal of Computational Physics, 378, 686-707.

def denoise_dhn(q_n, p_n, alpha_n, alpha_n_minus_1, dhn_model):
    # 输入：噪声状态 (q_n, p_n)，当前噪声尺度 alpha_n，目标噪声尺度 alpha_n_minus_1
    # 输出：去噪后的状态 (q_n_minus_1, p_n_minus_1)
    
    # 通过DHN预测干净状态
    q_hat_0, p_hat_0 = dhn_model(q_n, p_n)
    
    # 按目标噪声尺度混合预测状态和随机噪声
    epsilon = np.random.normal(0, 1, size=q_hat_0.shape)
    q_n_minus_1 = (1 - alpha_n_minus_1) * q_hat_0 + alpha_n_minus_1 * epsilon
    p_n_minus_1 = (1 - alpha_n_minus_1) * p_hat_0 + alpha_n_minus_1 * epsilon
    
    return q_n_minus_1, p_n_minus_1