近年、物理法則を組み込んだ機械学習が、物理現象の高精度予測と物理的知見の獲得に注目されている。本研究では、分断的と非分断的なハミルトン系から可逆な座標変換によって得られるポアソン系に着目し、複雑な現象に対する学習精度の向上と物理的知見の獲得を目指した。そこで、可逆ニューラルネットワークとハミルトニアンニューラルネットワークを組合せた新しいモデルを提案した。従来モデルと比較して、予測精度の向上とノイズへのロバスト性が確認され、さらにポアソン座標系と系の不変量であるハミルトニアンの関係性を学習過程から導出することに成功した。特に、複雑な分断的ポアソン系に対する学習において顕著な性能向上が得られた。