Learning Hamiltonian Dynamics at Scale: A Differential-Geometric Approach

Motivation

• Known: Hamiltonian neural network(HNN)은 에너지 보존 등 물리 법칙을 hard constraint로 내장하여 물리적으로 일관된 예측을 가능하게 하지만, 기존 HNN들은 주로 2-5차원의 저차원 시스템에만 적용되어 왔다. model order reduction(MOR)과 Riemannian 관점을 결합한 최근 연구(Friedl et al., 2025; Sharma & Kramer, 2024)는 Lagrangian 동역학에 대해 고차원 시스템으로의 확장을 시도한 바 있다.
• Gap: 기존 MOR 기반 접근은 intrusive하거나(FOM 전체를 알아야 함) Lagrangian 동역학에 국한되어 있으며, symplectic 구조를 soft constraint로만 부과하는 기존 symplectic autoencoder는 FOM의 symplectic 구조, 보존 법칙, 안정성 특성을 엄밀히 보장하지 못한다. 또한 고차원 Hamiltonian 시스템에 대한 구조 보존적이면서도 non-intrusive한 학습 프레임워크가 부재하다.
• Why: 로봇, 유체, 연속체 등 실제 물리 시스템은 본질적으로 고차원 phase space를 가지므로, Hamiltonian 구조를 엄밀히 보존하면서도 스케일 가능한 학습 방법이 있어야 물리적으로 안정적이고 일반화 가능한 시뮬레이션 및 제어가 가능해진다.
• Approach: 이 논문은 미분기하학적 관점에서 symplectic 구조를 hard constraint로 내장한 geometrically-constrained symplectic autoencoder와 geometric Hamiltonian neural network를 결합한 Reduced-order Hamiltonian Neural Network(RO-HNN)를 제안한다.

Achievement

Figure 2. Pendulum: Median and quartiles of relative error and reconstructed trajectories of the

1. RO-HNN 아키텍처 제안: symplectic submanifold를 학습하는 autoencoder와 그 위에서의 동역학을 학습하는 geometric HNN을 결합하여 고차원 Hamiltonian 시스템에 대해 물리적으로 일관되고 안정적이며 일반화 가능한 예측을 제공.
2. 구조 보존 성능 검증: pendulum, thin cloth, particle vortex 등 세 가지 고차원 Hamiltonian 시스템에서 기존 HNN 및 최신 reduction 기법 대비 우수한 정확도와 안정성을 실험적으로 입증.
3. 비선형 symplectic 투영의 표현력 향상: 기존 linear/quadratic symplectic projection 대비 더 높은 표현력을 가지면서도 FOM의 symplectic 구조와 보존 법칙, 안정성을 엄밀히 보존.

How

Figure 1. Flowchart of the forward dynamics of the geometric

• 배경으로 symplectic manifold, canonical Poisson tensor J2n, Darboux theorem, cotangent bundle 상의 Hamiltonian 동역학 및 Legendre transform을 통한 Lagrangian-Hamiltonian 관계를 정리.
• geometrically-constrained symplectic autoencoder: 고차원 궤적으로부터 구조를 보존하는 저차원 symplectic submanifold를 학습하며, 기존 soft-constrained symplectic network(Buchfink et al., 2023)와 달리 FOM의 symplectic 구조를 hard constraint로 보장.
• geometric Hamiltonian neural network: 잠재 공간에서 conservative 및 dissipative Hamiltonian dynamics를 모델링하며, 파라미터의 Riemannian geometry를 고려하고 symplectic integration(Tao, 2016)을 사용해 장기 시뮬레이션의 정확성을 확보.
• 두 구성 요소를 결합하여 저차원 symplectic submanifold와 그 위의 Hamiltonian 함수의 동역학 파라미터를 공동으로 학습.
• pendulum, thin cloth, particle vortex 세 가지 고차원 시스템에서 상대 오차, 궤적 재구성, ablation study(잠재 HNN 아키텍처, 잠재 차원)를 통해 검증.

Originality

• Hamiltonian MOR을 미분기하학적 관점에서 non-intrusive하게 신경망으로 학습하는 최초의 시도 중 하나로 보임.
• 기존 Lagrangian 기반 MOR 연구(Friedl et al., 2025)를 Hamiltonian 설정으로 확장하고, symplectic 구조를 hard constraint로 엄밀히 보장하는 autoencoder를 새롭게 설계.
• linear/quadratic symplectic projection보다 표현력이 높은 비선형 symplectic AE와 Riemannian 파라미터 기하를 고려한 geometric HNN을 결합한 통합 프레임워크 제시.

Limitation & Further Study

• 논문은 globally canonical symplectic form(ω = J2n)을 가정하는 시스템에 한정되어 있어, non-canonical 또는 일반 Poisson 시스템으로의 확장이 추가로 필요.
• 검증된 시스템(pendulum, thin cloth, particle vortex)이 상대적으로 제한적이며, 실제 로봇이나 유체와 같은 더 복잡하고 이질적인(heterogeneous) 고차원 시스템에 대한 검증이 부족.
• dissipative 시스템으로의 확장이 언급되나, 이에 대한 이론적 보장(예: 안정성, 보존 법칙과의 trade-off)에 대한 심층 분석이 제한적일 수 있음.
• 저차원 잠재 공간 차원 선택에 대한 민감도 분석이 ablation에 포함되나, 스케일이 매우 큰 시스템(수백만 차원)에서의 확장성 검증은 부족.

Evaluation

총평: Hamiltonian neural network의 스케일 한계를 미분기하학적 model order reduction으로 극복하려는 시도로, 구조 보존 이론과 실험적 검증이 잘 결합된 견실한 연구이다. 다만 검증된 시스템의 다양성과 일반 Poisson 구조로의 확장 가능성에 대한 추가 연구가 필요하다.