ModLaNet是一种具有模块化和物理归纳偏差的神经网络框架，通过模块化建模每个元素的能量，并利用拉格朗日力学构建目标动力学系统。该框架提高了数据效率和准确性，可用于学习和模拟多摆和多体系统。

该研究提出了一种新的模型来改善动力学系统的预测性能和推理算法的收敛速度。该模型使用负二项式随机化的伽马马尔科夫过程来建模计数数列的转换结构和爆发性动态。同时，该模型还能够估计基于因子结构和图结构的转换动态，以获得更可解释的潜在结构，并且能够更好地填补缺失数据和预测未来观测。

该研究使用神经网络架构和Koopman算子理论，实现了动力学系统数据的线性描述和长期连续重现，可应用于时间序列插值和预测。