本文提出了一种基于端口哈密顿形式的神经网络模型，旨在学习非自主系统的动态学。该模型通过注入物理知识，提高了动力学预测的准确性，并能有效处理多物理系统，确保其被动性和稳定性。研究表明，该方法在描述非线性系统时计算速度快，具有良好的应用潜力。

该研究提出了一种数据驱动的系统识别框架，能够有效处理多物理系统，并保证其被动性和稳定性的理论属性。研究结果表明，学习到的低维端-汉密尔顿系统能够有效描述非线性系统，并因其小尺寸而计算快速。