Causal Hamiltonian Learning Unit：用于深度学习的 Symplectic 原始单元

Pratik Jawahar; Maurizio Pierini

Causal Hamiltonian Learning Unit：用于深度学习的 Symplectic 原始单元

机器学习 2026-03-17 v2 人工智能应用物理

作者: Pratik Jawahar , Maurizio Pierini

摘要

当前处理时序动力学的深度学习原始单元存在根本性二元对立：要么是离散且不稳定的（如 LSTM），导致梯度爆炸或消失；要么是连续且耗散的（如 Neural ODE），为确保稳定性而随时间消耗信息。我们提出了 Causal Hamiltonian Learning Unit（读作 clue），这是一种基于物理的新型计算学习原始单元。通过强制 Relativistic Hamiltonian 结构并利用 Symplectic 积分，CHLU严格保守相空间体积，以尝试解决记忆-稳定性之间的权衡。我们表明，CHLU 设计用于无限视野稳定性以及可控噪声过滤。随后，我们以 MNIST 数据集为示例，展示了 CHLU 的生成能力。

关键词

Hamiltonian 学习 Symplectic 积分 Neural ODE 深度学习原始单元相空间守恒

引用

@article{arxiv.2603.01768,
  title  = {CHLU: The Causal Hamiltonian Learning Unit as a Symplectic Primitive for Deep Learning},
  author = {Pratik Jawahar and Maurizio Pierini},
  journal= {arXiv preprint arXiv:2603.01768},
  year   = {2026}
}

备注

Accepted as a short paper at ICLR 2026 (AI & PDE)

Causal Hamiltonian Learning Unit：用于深度学习的 Symplectic 原始单元

摘要

关键词

引用

备注

相关论文