神经模拟器能量守恒失效：扩散模型能量波动超真实值数万倍

一篇来自arXiv的论文（编号2605.18883v1）揭示了一个令人震惊的事实：在哈密顿轨迹上训练的扩散模型，其能量标准偏差竟比真实物理系统的能量标准偏差大7500到36000倍。这表明，当前最先进的神经模拟器在能量守恒这一基本物理定律面前全面失效了。

预测精确，但能量严重失守

该研究团队首先让扩散模型学习抛体运动、单摆和弹簧质量三个经典哈密顿系统的轨迹。模型的滚动均方误差（MSE）低至10^{-3}量级，轨迹预测看起来相当精准。但一检查能量守恒情况，问题就暴露了：模型输出的能量随时间剧烈波动，而真实系统的能量几乎恒定。7500到36000倍的差距，这到底意味着什么？意味着神经网络“记住”了轨迹的形状，却完全没有理解支配这些轨迹的物理规则。

守恒定律的缺失，根源何在？

其实，这个现象并不意外。标准的扩散模型在训练时只看数据分布，并不关心数据背后的物理约束。它可以模仿运动的“样子”，但无法像人类物理学家那样抓住“能量守恒”这个全局不变量。论文的作者提出了一个核心问题：神经网络到底能不能从数据中学习或选择出全局守恒量？他们在三个系统上做了系统的实验，发现模型确实没有自动学到能量守恒。

这对AI物理模拟意味着什么？

当前AI在气象预测、材料模拟等领域很火，但能量守恒失效的问题会动摇其可靠性。举个例子，如果用这类模型做长期气候模拟，能量误差会累积，导致预测完全跑偏。这可不是小问题——模型可能给出看似合理的云图，但物理上根本不可能发生。论文提醒我们，单靠降低预测误差是不够的，必须把物理定律“硬编码”进网络结构，或者用特殊的损失函数来约束。

下一步怎么走？

研究团队没有止步于指出问题。他们用结构化方法（比如引入辛几何或拉格朗日框架）来尝试让神经网络尊重守恒律。虽然这篇论文还没有给出完美的解决方案，但至少给整个领域敲了警钟：AI做物理，不能只学表面，得懂“道理”。没错，这件事挺讽刺——一个能生成以假乱真图像的模型，在简单的单摆系统面前却连能量守恒都学不会。神经网络离真正的物理智能，还差得远呢。