扩散模型预测物理轨迹能量偏差巨大，神经网络难以学习守恒量

一篇发布于 arXiv 的预印本研究（编号 2605.18883v1）直接揭示了一个令人震惊的事实：用哈密顿轨迹训练出来的扩散模型，虽然均方根滚动误差（rollout MSE）能压低到接近 10⁻³，但能量随时间变化的标准差竟然比真实轨迹的能量标准差大了 7500 倍到 36000 倍。这还谈什么守恒？神经网络压根没学会物理定律最基本的能量守恒。

数字差距有多大？ 研究人员在三个哈密顿系统——抛体运动、单摆和弹簧-质量系统上做了测试。模型输出看上去挺准，但对能量这个全局守恒量的保持一塌糊涂。说白了，模型只是“记住了”轨迹的形状，却没抓住物理本质。

问题出在哪？ 传统观点觉得神经网络能通过数据隐式学习守恒量，但这项研究用实打实的数值打了脸：能量偏差大到离谱（标准差倍数 7500 × 到 36000 × ），这可不是什么“微小细节”，而是系统性的失效。凭什么认为黑盒网络能自动捕捉物理规律？它连最简单的守恒律都守不住。

研究核心追问 作者提出一个更根本的问题：神经网络到底能不能从物理轨迹中学会或筛选出全局守恒量？他们用三个不同的哈密顿系统做实验，结果一致——扩散模型在能量约束上彻底失败。这迫使咱们重新审视：把神经网络当成物理模拟器的做法是否靠谱。

对 AI 领域的冲击 扩散模型目前在图像生成和时序预测里红得发紫，但如果应用到物理仿真、机器人轨迹规划这些对能量守恒有硬要求的场景，这种偏差就是致命伤。误差再小，能量乱飘，模拟出来的物理世界就是假的。

注意，这项研究只是预印本（arXiv:2605.18883v1），尚未经过正式同行评审。但它提出的问题确实尖锐——神经网络对物理守恒量的学习能力，恐怕比咱们想象的要差得多。未来要真想用 AI 做科学计算，得先解决这个“能量失控”的坎儿！