今日官方通报行业变化公安部力挺张雪新手禁令 很高兴为您解答这个问题，让我来帮您详细说明一下。品牌授权报修电话，快速上门服务

福建省三明市梅列区黑龙江省佳木斯市汤原县静海区大邱庄镇江西省鹰潭市余江区陕西省咸阳市兴平市福建省南平市建瓯市内蒙古鄂尔多斯市康巴什区四川省凉山彝族自治州昭觉县蓟州区东二营镇井陉县测鱼镇江苏省镇江市句容市青海省玉树藏族自治州治多县延庆区康庄镇丰台区长辛店镇福建省福州市永泰县和田地区鹿泉区白鹿泉乡陕西省宝鸡市眉县昌平区延寿镇长安区南村镇蚌埠市龙子湖区昌平区小汤山镇昌平区回龙观街道和平区南市街道湖北省恩施土家族苗族自治州恩施市山东省滨州市阿克苏地区拜城县密云区高岭镇云南省大理白族自治州云龙县甘肃省陇南市云南省普洱市景东彝族自治县湖北省宜昌市宜都市四川省甘孜藏族自治州九龙县固原市西吉县河东区大直沽街道山西省晋城市泽州县井陉县测鱼镇福建省漳州市龙海市辽宁省本溪市溪湖区福建省南平市贵州省铜仁市印江土家族苗族自治县重庆市县巫山县大兴区陕西省汉中市南郑区黑龙江省佳木斯市富锦市井陉县吴家窑乡江苏省连云港市赣榆区福建省南平市建瓯市甘肃省陇南市静海区大邱庄镇福建省福州市永泰县元氏县殷村镇内蒙古锡林郭勒盟镶黄旗辽宁省沈阳市浑南区西藏山南市云南省大理白族自治州云龙县蚌埠市龙子湖区江苏省徐州市丰县江苏省连云港市赣榆区江苏省苏州市相城区长安区南村镇山东省青岛市城阳区海南省儋州市赞皇县西龙门乡福建省福州市罗源县江西省鹰潭市余江区蓟州区东赵各庄镇塔城地区和布克赛尔蒙古自治县蓟州区东赵各庄镇青海省玉树藏族自治州治多县静海区大邱庄镇四川省甘孜藏族自治州海淀区青龙桥街道山西省晋中市灵石县内蒙古鄂尔多斯市康巴什区南开区体育中心街道湖北省恩施土家族苗族自治州建始县阿克苏地区拜城县山东省烟台市牟平区乌鲁木齐市沙依巴克区广东省深圳市黑龙江省鸡西市鸡冠区桥西区苑东街道顺义区空港街道山西省晋中市灵石县江苏省徐州市新沂市广东省汕头市龙湖区山东省聊城市茌平区云南省普洱市景东彝族自治县西藏山南市海淀区青龙桥街道朝阳区小红门地区西藏山南市黑龙江省鸡西市鸡冠区山西省临汾市安泽县四川省广安市岳池县朝阳区酒仙桥街道甘肃省陇南市武都区博尔塔拉蒙古自治州温泉县广东省汕头市龙湖区

今日官方发布重要研究成果Information Shapes Koopman Representation：信息如何决定模拟，很高兴为您解答这个问题，让我来帮您详细说明一下:官方服务专线，支持多品牌报修

江苏省徐州市新沂市丰台区宛平城地区山东省泰安市泰山区亳州市利辛县云南省大理白族自治州云龙县怀柔区雁栖地区陕西省咸阳市兴平市江西省宜春市宜丰县静海区大邱庄镇甘肃省甘南藏族自治州辽宁省大连市旅顺口区山东省德州市齐河县江西省宜春市奉新县山东省泰安市东平县内蒙古兴安盟乌兰浩特市甘肃省天水市秦州区密云区不老屯镇山东省聊城市冠县昌平区回龙观街道江苏省徐州市丰县云南省玉溪市新平彝族傣族自治县甘肃省定西市渭源县山东省枣庄市台儿庄区山东省青岛市城阳区平山县上观音堂乡湖北省宜昌市秭归县丰台区右安门街道山东省聊城市茌平区山东省聊城市冠县甘肃省天水市秦州区黑龙江省鹤岗市淮南市大通区江西省吉安市永新县黑龙江省鹤岗市福建省漳州市龙海市桥西区东华街道新乐市协神乡密云区古北口镇山西省临汾市安泽县广东省惠州市龙门县广东省珠海市斗门区河东区东新街道辽宁省铁岭市开原市青秀区云南省玉溪市新平彝族傣族自治县信阳市平桥区桂林市秀峰区焦作市山西省吕梁市岚县百色市靖西市四川省广元市湖北省宜昌市夷陵区山东省枣庄市台儿庄区辽宁省铁岭市清河区黑龙江省佳木斯市富锦市固原市西吉县山东省泰安市东平县赞皇县西龙门乡哈密市伊吾县黑龙江省伊春市金林区江苏省连云港市赣榆区丰台区长辛店镇顺义区空港街道喀什地区麦盖提县赵县沙河店镇青海省玉树藏族自治州治多县山东省烟台市牟平区长安区南村镇山西省运城市夏县蓟州区东施古镇内蒙古鄂尔多斯市康巴什区云南省大理白族自治州云龙县陕西省西安市未央区赵县沙河店镇昌平区回龙观街道百色市田林县南开区体育中心街道马鞍山市博望区广东省珠海市斗门区云南省大理白族自治州云龙县青海省海西蒙古族藏族自治州德令哈市甘肃省定西市渭源县丰台区长辛店镇门头沟区大峪街道吉林省四平市铁西区大兴区河西区桃园街道四川省成都市新都区昌平区回龙观街道怀柔区宝山镇新乐市协神乡山东省青岛市城阳区密云区河南寨镇丰台区长辛店镇江西省吉安市永新县昌平区阳坊镇四川省宜宾市江安县北辰区博尔塔拉蒙古自治州温泉县怀柔区雁栖地区

全球服务区域:辽宁省辽阳市白塔区新乐市协神乡西青区精武镇江苏省南通市启东市山东省聊城市茌平区湖北省恩施土家族苗族自治州恩施市焦作市中站区南开区长虹街道福建省南平市重庆市县巫山县四川省成都市新都区西藏山南市贡嘎县武清区上马台镇广东省深圳市门头沟区大峪街道江苏省徐州市丰县山东省聊城市茌平区山东省聊城市茌平区元氏县山东省聊城市冠县山西省临汾市安泽县甘肃省庆阳市镇原县山东省德州市齐河县江苏省镇江市句容市吉林省长春市双阳区江西省吉安市吉安县青海省玉树藏族自治州治多县山西省晋城市泽州县湖北省襄阳市襄州区乌鲁木齐市沙依巴克区云南省普洱市景东彝族自治县行唐县龙州镇山东省威海市大兴区桥西区苑东街道蓟州区官庄镇甘肃省白银市景泰县赞皇县院头镇崇左市宁明县丰台区宛平城地区山西省临汾市安泽县钦州市江西省宜春市宜丰县黑龙江省绥化市明水县鹿泉区寺家庄镇桂林市秀峰区江苏省南京市浦口区丰台区和义街道湖北省宜昌市夷陵区福建省厦门市海沧区广东省云浮市新兴县合肥市瑶海区甘肃省陇南市南开区长虹街道塔城地区和布克赛尔蒙古自治县陕西省咸阳市兴平市贵州省黔东南苗族侗族自治州天柱县行唐县龙州镇黑龙江省佳木斯市富锦市山西省吕梁市中阳县南开区体育中心街道山东省滨州市辽宁省沈阳市沈河区元氏县殷村镇怀柔区龙山街道内蒙古乌海市乌达区青海省海北藏族自治州门源回族自治县井陉县吴家窑乡赵县沙河店镇福建省南平市建瓯市蓟州区东施古镇喀什地区叶城县淮南市大通区内蒙古锡林郭勒盟正镶白旗元氏县殷村镇山东省青岛市城阳区山东省威海市福建省厦门市湖里区四川省凉山彝族自治州甘洛县蚌埠市龙子湖区广东省汕头市南澳县百色市靖西市河东区大直沽街道黑龙江省鹤岗市贵州省六盘水市水城县山西省忻州市定襄县宝坻区牛家牌镇江西省吉安市吉安县江西省萍乡市上栗县蚌埠市龙子湖区山东省潍坊市青州市焦作市中站区和平区南市街道无极县大陈镇内蒙古呼伦贝尔市阿荣旗四川省宜宾市翠屏区山西省运城市夏县陕西省商洛市山阳县江西省鹰潭市余江区桥西区苑东街道

今日官方通报研究成果Information Shapes Koopman Representation：信息如何决定模拟，很高兴为您解答这个问题，让我来帮您详细说明一下:售后服务维修中心电话，支持多渠道服务

全国服务区域：四川省凉山彝族自治州西昌市山东省泰安市泰山区山东省烟台市牟平区山西省晋中市灵石县广东省惠州市龙门县昌平区延寿镇焦作市沁阳市江苏省徐州市新沂市广东省汕头市南澳县山东省聊城市茌平区静海区大邱庄镇蚌埠市蚌山区山西省朔州市山阴县黑龙江省鹤岗市青海省海南藏族自治州贵德县江苏省苏州市相城区上海市市辖区嘉定区河东区大直沽街道山东省青岛市城阳区重庆市市辖区北碚区怀柔区雁栖地区新乐市协神乡百色市靖西市四川省甘孜藏族自治州丹巴县四川省甘孜藏族自治州九龙县西藏阿里地区日土县云南省玉溪市新平彝族傣族自治县山西省运城市夏县陕西省宝鸡市眉县内蒙古锡林郭勒盟正镶白旗新乐市协神乡贵州省黔南布依族苗族自治州惠水县怀柔区龙山街道吉林省白山市浑江区贵州省黔南布依族苗族自治州惠水县西藏山南市贡嘎县朝阳区小红门地区黑龙江省伊春市金林区朝阳区小关街道湖北省宜昌市西陵区四川省成都市新都区陕西省汉中市西乡县山东省滨州市合肥市瑶海区山西省晋中市灵石县重庆市市辖区北碚区福建省莆田市仙游县江苏省徐州市新沂市湖北省宜昌市西陵区广东省江门市新乐市协神乡黑龙江省大兴安岭地区呼玛县广东省深圳市山西省阳泉市平定县黑龙江省绥化市明水县淮南市大通区山东省威海市陕西省宝鸡市眉县怀柔区龙山街道昌平区回龙观街道武清区汊沽港镇井陉县测鱼镇江苏省南通市启东市崇左市宁明县贵州省黔东南苗族侗族自治州天柱县山东省潍坊市青州市江苏省南京市浦口区崇左市宁明县山东省东营市垦利区信阳市平桥区四川省凉山彝族自治州昭觉县亳州市利辛县贵州省黔南布依族苗族自治州惠水县四川省成都市新都区四川省甘孜藏族自治州九龙县福建省莆田市仙游县鹿泉区白鹿泉乡武清区汊沽港镇蓟州区东二营镇江苏省连云港市赣榆区山西省临汾市安泽县怀柔区宝山镇江西省吉安市永新县贵州省六盘水市水城县怀柔区龙山街道武清区汊沽港镇桥西区苑东街道四川省遂宁市蓬溪县合肥市瑶海区许昌市建安区元氏县江西省九江市武宁县静海区西翟庄镇山西省长治市襄垣县北辰区辽宁省大连市旅顺口区上海市市辖区嘉定区内蒙古呼伦贝尔市阿荣旗陕西省汉中市南郑区福建省漳州市龙海市

售后服务上门服务电话，智能分配单据：Information Shapes Koopman Representation：信息如何决定模拟

英国University College London (UCL) 博士程小远、新加坡Nanyang Technological University (NTU) 博士元文瑄(master project)，为本文共同第一作者；法国Institut Polytechnique De Paris 程思博教授、美国Santa Fe Institute 施密特学者章元肇等，为本文合作者，上海财经大学助理教授孙卓，为本文通讯作者。

图1：软体机器人的模拟以及控制

大多数世界模型工作默认：只要学到一个好的 latent dynamics，问题就解决了。 但这个假设本身是可疑的——什么样的信息，才足以支撑一个可预测、可传播的动力学？本文从信息论出发，重新审视这一前提。

一个自然的思路是：如果非线性动力学难以建模，能否把它转化为线性问题？Koopman 算子正是这样一种诱人的框架，它试图将复杂系统嵌入潜空间，使其演化近似线性。这一思路在物理表示、天气预测和流体控制中具有极强吸引力。 然而，这种线性化并不是免费的，它依赖于一个精心构造的表示空间，而这个空间本身才是最难学习的部分。

因此，真正的核心问题不是如何学习一个隐变量表征，而是：在有限维表示中，究竟哪些信息必须被保留，才能支撑稳定的动力学传播与长期预测？

为此，UCL、ICL、Santa Fe Institute、Institut Polytechnique De Paris、上海财经大学最新联合提出Information Shapes Koopman Representation。这项工作从动态信息瓶颈的角度重新审视 Koopman 表征学习，明确 Koopman learning 真正所需要的信息，并据此构造出一个可优化的目标。

论文地址：https://openreview.net/forum?id=Szh0ELyQxL代码地址：https://github.com/Wenxuan52/InformationKoopman

目前，该成果已被 ICLR 2026 Oral 接收。

世界模型在Koopman表征下难的，不只是「学一个 latent」

Koopman表征学习问题在于，Koopman 表征并不只是像传统潜空间学习方法，比如Autoencoder、Variational Autoencoder，一样「学一个能重建输入的 latent」。相比较而言，它还需要同时满足三个更强的性质：

Temporal Coherence：潜空间表示要能稳定地随时间传播；Structural Consistency：潜空间中的演化要尽量符合 Koopman 的线性结构；Predictive Sufficiency：表征里要保留足够多、足够关键的动力学模式，才能支撑长期预测。

这就带来了两个需要权衡的问题：

1、如果 latent 保留的信息太多，表征会更丰富，但很难维持简单稳定的线性结构；

2、如果压缩得太狠，又容易丢掉长期预测真正需要的关键模态。

所以，该论文真正想回答的问题不是 "再加一个模块"，而是顺着这个Trade-off：

在有限容量下，一个好的 Koopman 表征，到底该保留什么信息？

图2：信息论 Koopman 框架。(a) 带有 Information-shaped 优化目标的 Koopman 表征学习结构总览；(b) Koopman 模态与互信息项对应关系；(c) 互信息（MI）和冯·诺依曼熵（VNE）对模态中信息分配的水填充效应。

关键视角：

从信息瓶颈角度看待学习动力学的问题

这篇论文的切入点，是把这个问题重新放回到信息瓶颈（Information Bottleneck, IB）框架下理解。

经典的信息瓶颈强调：一个好的表征，并不是尽量把输入中的所有信息都搬进 latent，而是在压缩的同时，保留对下游任务最重要的信息。

对应到 Koopman learning，这里形成了一个动态的信息瓶颈公式：

那么核心目标就变成：学习一种 Koopman representation ，使其对未来状态具有最大的线性可预测性（Relevance↑），同时保持尽可能结构紧凑（Complexity↓）。

理论分析：

为什么互信息重要，但只靠互信息还不够？

围绕这个目标，论文给出了三个相互衔接的理论结论。

1、长期预测误差，本质上来自逐步累积的信息损失

论文首先从信息传播的角度分析了 Koopman 潜空间传播的误差来源。结论很直观：

当原始非线性系统被 Koopman 表征近似时，每一步传播都会损失一部分预测相关的信息，而长时间预测误差，就是这些小损失一步步累积起来的结果。

这意味着，Mutual Information（互信息，MI）直接关系到 Koopman 表征能够保住多少预测能力。

2、不是所有信息都一样重要

但只能通过互信息来量化error还不够，因为这只能告诉我们损失了多少，却不能告诉我们损失的是哪一类信息。

3、只最大化 MI，会导致 mode collapse

那么，一个很自然的想法是：既然temporal-coherentinformation最重要，那是不是只要尽量增大这部分互信息就够了？

答案是否定的。

论文发现，MI的确会优先把信息分配给最稳定、最有收益的少数模态，但这也会带来副作用：信息过度集中到几个 dominant modes 上，导致潜空间有效维度下降，出现mode collapse。

为了缓解这个问题，论文又引入了von Neumann entropy（VNE）。它的作用，不是简单再加一个正则项，而是尽量避免模态信息过度集中，让潜空间保持必要的模态多样性。

简单来说，这篇论文的核心洞察就是：MI 负责保住「对的模态」，VNE 负责保住「足够多的模态」（图2(c)）。

从理论走向算法：一个真正「information-shaped」的 Koopman 目标

基于上面的分析，论文进一步构造了一个信息论驱动的 Lagrangian 目标，把互信息、结构一致性项、重建项以及 von Neumann entropy 统一到一个可优化框架中（图2(a)）。

图3：提出的Information-shaped Koopman 目标及其可优化形式。上方为从理论分析得到的统一 Lagrangian：由互信息项、von Neumann entropy项、重构项共同构成；下方为对应的可训练目标，进一步对应到 Koopman 表征学习中的三个性质。

更重要的是，这个目标和 Koopman learning 的三个核心性质是一一对应的（图3）：

MI 项对应于Temporal Coherence，强调时间上的稳定传播；线性 forward 一致性项对应于Structural Consistency，保证潜空间演化与 Koopman 线性结构一致；VNE 项对应于Predictive Sufficiency，帮助模型保留足够丰富的有效模态；再结合 reconstruction / ELBO 项，使整个模型能够在实际训练中稳定优化。

也就是说，该论文将 "一个好的 Koopman 表征该保留什么信息" 这个问题，转换成了一个可优化的训练目标。

实验结果：不仅更准，而且更稳

实验部分，论文在三类任务上验证了这套方法：

物理动力系统预测：如 Lorenz 63、Kármán vortex、Dam flow、ERA5 天气预测；高维视觉输入下的控制与表征学习：如 Planar、Pendulum、Cartpole；图结构动力学预测：如 Rope 和 Soft Robotics（如图1）。

结果表明，这套方法在短期和长期预测误差上优于多种 Koopman baseline（图4和5）。

图4：全球天气场包括地球重力势能、温度、湿度和风速。最左列为真实物理场，最右列为本文方法的预测结果。

图5：在其余两类图结构和视觉输入动力学系统上的泛化表现。左为图结构动力学场景，以带有噪声的 Rope 和 Soft Robotics 两个任务为例；右为视觉输入场景，以 Planar、Pendulum 和 Cartpole 控制任务为例。

尤其是在 Kármán vortex 的可视化中，在谱性质和manifold 结构上，论文展示了一个很有说服力的现象（图6）：

图6： Kármán vortex 任务上的 latent space 几何分布与 Koopman 谱结构可视化。上排比较了不同 baseline 方法在 latent space 中的轨迹分布，论文方法的 rollout 轨迹更接近单步预测，也更符合真实动力学的极限圆演化结构；下排展示了 Koopman 谱分布，论文方法学到的特征值更多分布在单位圆附近，形成了更稳定的几何结构。

相比容易出现谱退化和轨迹漂移的 baseline，加入 MI 与 VNE 后，模型学到的特征模态更加稳定，长期轨迹也更接近真实动力学结构。

总结与展望

这篇工作的重要性，在于它把 Koopman 表征学习从一个技巧性方法，重新嵌入到世界模型的基本问题之中。世界模型关心的从来不是表示本身，而是一个表示是否包含足够的信息去支持动力学的预测与控制。在这一视角下，Koopman 方法中的 simplicity 与 expressiveness 不再是调参经验，而是被明确为一个信息论上的优化目标。因而问题发生了转变。关键不再是能否找到一个线性化的潜空间，而是在有限维约束下，哪些信息是必须被保留的，才能使动力学既可传播又可预测。

本月官方发布行业新变化Information Shapes Koopman Representation：信息如何决定模拟

英国University College London (UCL) 博士程小远、新加坡Nanyang Technological University (NTU) 博士元文瑄(master project)，为本文共同第一作者；法国Institut Polytechnique De Paris 程思博教授、美国Santa Fe Institute 施密特学者章元肇等，为本文合作者，上海财经大学助理教授孙卓，为本文通讯作者。

图1：软体机器人的模拟以及控制

大多数世界模型工作默认：只要学到一个好的 latent dynamics，问题就解决了。 但这个假设本身是可疑的——什么样的信息，才足以支撑一个可预测、可传播的动力学？本文从信息论出发，重新审视这一前提。

一个自然的思路是：如果非线性动力学难以建模，能否把它转化为线性问题？Koopman 算子正是这样一种诱人的框架，它试图将复杂系统嵌入潜空间，使其演化近似线性。这一思路在物理表示、天气预测和流体控制中具有极强吸引力。 然而，这种线性化并不是免费的，它依赖于一个精心构造的表示空间，而这个空间本身才是最难学习的部分。

因此，真正的核心问题不是如何学习一个隐变量表征，而是：在有限维表示中，究竟哪些信息必须被保留，才能支撑稳定的动力学传播与长期预测？

为此，UCL、ICL、Santa Fe Institute、Institut Polytechnique De Paris、上海财经大学最新联合提出Information Shapes Koopman Representation。这项工作从动态信息瓶颈的角度重新审视 Koopman 表征学习，明确 Koopman learning 真正所需要的信息，并据此构造出一个可优化的目标。

论文地址：https://openreview.net/forum?id=Szh0ELyQxL代码地址：https://github.com/Wenxuan52/InformationKoopman

目前，该成果已被 ICLR 2026 Oral 接收。

世界模型在Koopman表征下难的，不只是「学一个 latent」

Koopman表征学习问题在于，Koopman 表征并不只是像传统潜空间学习方法，比如Autoencoder、Variational Autoencoder，一样「学一个能重建输入的 latent」。相比较而言，它还需要同时满足三个更强的性质：

Temporal Coherence：潜空间表示要能稳定地随时间传播；Structural Consistency：潜空间中的演化要尽量符合 Koopman 的线性结构；Predictive Sufficiency：表征里要保留足够多、足够关键的动力学模式，才能支撑长期预测。

这就带来了两个需要权衡的问题：

1、如果 latent 保留的信息太多，表征会更丰富，但很难维持简单稳定的线性结构；

2、如果压缩得太狠，又容易丢掉长期预测真正需要的关键模态。

所以，该论文真正想回答的问题不是 "再加一个模块"，而是顺着这个Trade-off：

在有限容量下，一个好的 Koopman 表征，到底该保留什么信息？

图2：信息论 Koopman 框架。(a) 带有 Information-shaped 优化目标的 Koopman 表征学习结构总览；(b) Koopman 模态与互信息项对应关系；(c) 互信息（MI）和冯·诺依曼熵（VNE）对模态中信息分配的水填充效应。

关键视角：

从信息瓶颈角度看待学习动力学的问题

这篇论文的切入点，是把这个问题重新放回到信息瓶颈（Information Bottleneck, IB）框架下理解。

经典的信息瓶颈强调：一个好的表征，并不是尽量把输入中的所有信息都搬进 latent，而是在压缩的同时，保留对下游任务最重要的信息。

对应到 Koopman learning，这里形成了一个动态的信息瓶颈公式：

那么核心目标就变成：学习一种 Koopman representation ，使其对未来状态具有最大的线性可预测性（Relevance↑），同时保持尽可能结构紧凑（Complexity↓）。

理论分析：

为什么互信息重要，但只靠互信息还不够？

围绕这个目标，论文给出了三个相互衔接的理论结论。

1、长期预测误差，本质上来自逐步累积的信息损失

论文首先从信息传播的角度分析了 Koopman 潜空间传播的误差来源。结论很直观：

当原始非线性系统被 Koopman 表征近似时，每一步传播都会损失一部分预测相关的信息，而长时间预测误差，就是这些小损失一步步累积起来的结果。

这意味着，Mutual Information（互信息，MI）直接关系到 Koopman 表征能够保住多少预测能力。

2、不是所有信息都一样重要

但只能通过互信息来量化error还不够，因为这只能告诉我们损失了多少，却不能告诉我们损失的是哪一类信息。

3、只最大化 MI，会导致 mode collapse

那么，一个很自然的想法是：既然temporal-coherentinformation最重要，那是不是只要尽量增大这部分互信息就够了？

答案是否定的。

论文发现，MI的确会优先把信息分配给最稳定、最有收益的少数模态，但这也会带来副作用：信息过度集中到几个 dominant modes 上，导致潜空间有效维度下降，出现mode collapse。

为了缓解这个问题，论文又引入了von Neumann entropy（VNE）。它的作用，不是简单再加一个正则项，而是尽量避免模态信息过度集中，让潜空间保持必要的模态多样性。

简单来说，这篇论文的核心洞察就是：MI 负责保住「对的模态」，VNE 负责保住「足够多的模态」（图2(c)）。

从理论走向算法：一个真正「information-shaped」的 Koopman 目标

基于上面的分析，论文进一步构造了一个信息论驱动的 Lagrangian 目标，把互信息、结构一致性项、重建项以及 von Neumann entropy 统一到一个可优化框架中（图2(a)）。

图3：提出的Information-shaped Koopman 目标及其可优化形式。上方为从理论分析得到的统一 Lagrangian：由互信息项、von Neumann entropy项、重构项共同构成；下方为对应的可训练目标，进一步对应到 Koopman 表征学习中的三个性质。

更重要的是，这个目标和 Koopman learning 的三个核心性质是一一对应的（图3）：

MI 项对应于Temporal Coherence，强调时间上的稳定传播；线性 forward 一致性项对应于Structural Consistency，保证潜空间演化与 Koopman 线性结构一致；VNE 项对应于Predictive Sufficiency，帮助模型保留足够丰富的有效模态；再结合 reconstruction / ELBO 项，使整个模型能够在实际训练中稳定优化。

也就是说，该论文将 "一个好的 Koopman 表征该保留什么信息" 这个问题，转换成了一个可优化的训练目标。

实验结果：不仅更准，而且更稳

实验部分，论文在三类任务上验证了这套方法：

物理动力系统预测：如 Lorenz 63、Kármán vortex、Dam flow、ERA5 天气预测；高维视觉输入下的控制与表征学习：如 Planar、Pendulum、Cartpole；图结构动力学预测：如 Rope 和 Soft Robotics（如图1）。

结果表明，这套方法在短期和长期预测误差上优于多种 Koopman baseline（图4和5）。

图4：全球天气场包括地球重力势能、温度、湿度和风速。最左列为真实物理场，最右列为本文方法的预测结果。

图5：在其余两类图结构和视觉输入动力学系统上的泛化表现。左为图结构动力学场景，以带有噪声的 Rope 和 Soft Robotics 两个任务为例；右为视觉输入场景，以 Planar、Pendulum 和 Cartpole 控制任务为例。

尤其是在 Kármán vortex 的可视化中，在谱性质和manifold 结构上，论文展示了一个很有说服力的现象（图6）：

图6： Kármán vortex 任务上的 latent space 几何分布与 Koopman 谱结构可视化。上排比较了不同 baseline 方法在 latent space 中的轨迹分布，论文方法的 rollout 轨迹更接近单步预测，也更符合真实动力学的极限圆演化结构；下排展示了 Koopman 谱分布，论文方法学到的特征值更多分布在单位圆附近，形成了更稳定的几何结构。

相比容易出现谱退化和轨迹漂移的 baseline，加入 MI 与 VNE 后，模型学到的特征模态更加稳定，长期轨迹也更接近真实动力学结构。

总结与展望

这篇工作的重要性，在于它把 Koopman 表征学习从一个技巧性方法，重新嵌入到世界模型的基本问题之中。世界模型关心的从来不是表示本身，而是一个表示是否包含足够的信息去支持动力学的预测与控制。在这一视角下，Koopman 方法中的 simplicity 与 expressiveness 不再是调参经验，而是被明确为一个信息论上的优化目标。因而问题发生了转变。关键不再是能否找到一个线性化的潜空间，而是在有限维约束下，哪些信息是必须被保留的，才能使动力学既可传播又可预测。

也门政治评论人士 默罕默德·沙姆桑：中国在非洲及中东地区的关键问题上都有着积极的影响力。从2021年开始，沙伊两国在伊拉克和阿曼展开对话，而中国在这其中发挥了重要作用。我认为中国未来在地区事务中还将扮演重要角色，中国同很多海湾国家签署了经济合作协议，同时和相关国家在安全和政治领域也开展了广泛的合作，这将对地区稳定与发展产生积极作用。 公安部力挺张雪新手禁令