非線形連立系は科学・工学の至るところに現れるが、高次元かつサブシステム間の相互作用が複雑なため、解析とモデリングは難しい。近年、非線形力学系を線形作用素の枠組みで扱えるKoopman演算子が注目され、その近似手法としてEDMD（拡張動的モード分解）が広く使われてきた。
しかしEDMDは純粋なデータ駆動手法であり、連立系を限られた観測データで扱うと不安定・不正確になりやすい。本論文はこの弱点に正面から向き合い、各サブシステムを支配する微分方程式の情報をKoopman演算子の学習に組み込む方法を提案する。データだけに頼らず、物理的事前知識を正則化・構造制約として活用する発想である。
有効性は連立振動子系を用いた数値実験で示されており、論文は10ページ・7枚の図で構成される。これは物理インフォームド機械学習の流れに連なる研究で、PINNsなどと同様に「既知の物理」と「観測データ」を組み合わせることで、サンプル効率と外挿性能の改善を狙う系譜に位置づけられる。
実務的な含意としては、プラント制御、ロボティクス、電力系統、生体系など、サブシステムごとには物理式が分かっていても全体結合挙動は未知というケースで有効な道具立てとなる。読者がまず行うべきは、EDMDとの比較条件を論文で確認し、自分の対象系で「既知の支配方程式」と「観測データ」の境界を切り分け、小規模ベンチマークで近似誤差とデータ量依存性を測ることである。
