ダイナミカルシステムモデリングにおける伝統的な数値手法は、高い計算コストによって制約されており、現代のデータ駆動型アプローチはデータの不足や分布の変動に苦慮しています。この問題を解決するために、本研究ではSPARKと呼ばれる物理に基づいた定量的拡張プラグインを提案します。SPARKは、物理的パラメータを統合した物理的な状態辞書を作成するために再構成オートエンコーダーを利用し、潜在空間での原則に基づく補間を通じて新たなトレーニングサンプルを生成します。さらに、強化されたデータ分布を効果的にモデル化するために、Fourier強化グラフODEと統合されており、長期的な時間依存性を捕捉します。多様なベンチマークにおける実験では、SPARKが特に困難な分布外シナリオやデータが乏しい環境で最先端の基準を大きく上回る結果を示し、物理に基づく拡張の効果を証明しています。