无需广义动量数据：Hamiltonian网络的新突破

Hamiltonian神经网络（HNN）因将物理先验嵌入网络结构和损失函数而备受关注，但其对广义动量数据的依赖严重限制了实际应用。一项新研究提出了一种通用扩展架构，能在广义动量解析形式未知时，仅从状态及其导数的数据中同时学习系统的广义动量、Hamiltonian结构和动力学。

HNN的核心优势与关键瓶颈

HNN及其变体通过显式编码Hamiltonian力学，在建模过程中不仅保证能量守恒等物理性质，还能提供额外的可解释信息。这种“物理先验+神经网络”的组合，在数据效率和外推能力上展现出独特价值。

然而，HNN的训练和推理都离不开目标系统的广义动量。在经典力学中，广义动量通常定义为拉格朗日量对广义速度的偏导，许多实际系统的动量解析形式并不已知，或者难以直接测量。这意味着，面对一个黑箱系统，即便能观测到状态变量及其导数，HNN也往往无法直接套用。

该研究明确指出了这一痛点：对广义动量的依赖“严重阻碍了其适用性”，尤其是在解析形式未知的真实场景中。

Hamiltonian力学与广义动量

Hamiltonian力学是经典力学的另一种表述形式，与牛顿力学和拉格朗日力学等价，但以系统的总能量（Hamiltonian）为核心。在Hamiltonian框架中，系统的状态由广义坐标 $q$ 和广义动量 $p$ 共同描述，演化方程为一阶微分方程组（Hamilton方程）：$\dot{q} = \partial H/\partial p$，$\dot{p} = -\partial H/\partial q$。这种结构天然保证了能量守恒（当 $H$ 不显含时间时），并赋予系统辛几何性质。

广义动量定义为拉格朗日量对广义速度的偏导：$p_i = \partial L/\partial \dot{q}_i$。对于简单系统（如自由粒子），广义动量就是质量乘以速度；但在复杂系统中（如电磁场中的带电粒子、非完整约束系统），广义动量的解析形式可能非常复杂甚至无法显式写出。HNN正是利用 $q$ 和 $p$ 作为输入来学习 $H$ 的梯度，因此若 $p$ 未知，HNN便无法直接应用。

新架构：从数据中“补全”动量

研究提出的扩展架构将广义动量视为一个待学习的隐变量，与Hamiltonian结构和动力学模型联合优化。其输入只需状态变量及其导数（可以是非序列数据），输出则包括学到的广义动量以及系统演化规律。

这种设计打破了HNN对动量先验知识的硬性要求。网络在学习过程中自动发现动量的数值表示，并使其与Hamiltonian结构保持一致。由于Hamiltonian结构本身蕴含能量守恒等约束，学到的动量并非任意拟合，而是被物理规律所引导。

从方法论上看，这属于“物理先验+隐变量学习”的融合思路：保留HNN的结构优势，同时将缺失的物理量交给数据驱动模块补全。

三个基准系统验证有效性

为评估架构性能，作者选取了三个典型系统作为测试案例：

• 耗散质量-弹簧系统：经典线性系统，但耗散项增加了建模难度；
• 双摆：强非线性、混沌倾向明显的多体系统；
• 非完整约束下的滚动圆盘：涉及非完整约束，对动力学建模提出更高要求。

这些系统覆盖了从线性到非线性、从完整约束到非完整约束的多种场景。论文指出，这些是“评估所提出架构性能的典型示例”。尽管原文未披露具体误差数值，但选择这三个系统本身表明作者意图验证方法在多样动力学条件下的通用性。

非完整约束

非完整约束是指对系统速度（或动量）施加的不可积约束，即约束方程不能通过积分转化为对位置坐标的约束。典型的例子是滚动圆盘：圆盘在平面上无滑动滚动时，其接触点的速度为零，这给出了速度之间的约束关系，但无法积分成位置约束（圆盘可以到达平面上的任意位置和朝向）。非完整约束系统的动力学建模比完整约束系统更复杂，因为约束力做功为零但会改变运动方向，拉格朗日力学需要引入乘子法或采用伪坐标。对于HNN而言，非完整约束意味着广义动量的定义和Hamiltonian结构都可能需要特殊处理，因此该基准系统能有效检验新架构在复杂约束下的泛化能力。

对物理信息机器学习的启示

这项工作回应了物理信息神经网络（PINN）领域的一个普遍难题：当物理先验中的某些量无法直接获取时，如何继续利用结构化的物理知识。HNN此前的高门槛在于动量数据，新架构将这一门槛降低为“状态及其导数”，而后者在仿真和实验中通常更容易获得。

从应用角度看，该方法可能惠及机器人动力学建模、机械系统参数辨识、以及任何需要从观测数据中提取Hamiltonian结构的场景。尤其是当系统复杂到无法写出解析动量表达式时，数据驱动的动量学习提供了一条可行路径。

不过，该方法仍依赖于状态导数的数据，若导数只能通过数值差分近似，噪声会传导至动量学习。论文未讨论这一实际限制，未来工作可能需要评估噪声鲁棒性。

总结

这项研究为Hamiltonian神经网络补上了关键一环：让广义动量从“必须已知”变为“可以学习”。通过联合学习动量、Hamiltonian结构和动力学，HNN的适用范围从理想化的解析系统扩展到更贴近现实的观测数据场景。三个基准系统的设计也显示出作者对通用性的重视。对于关注物理先验与深度学习融合的研究者和工程师而言，这是一个值得跟踪的方向。