自然現象の多くは勾配系と呼ばれる，状態のみに依存するポテンシャル関数の勾配に従う系としてモデル化できる．科学者は，様々な未知の現象に対して，現象に矛盾せず，現象の代表的な特徴を反映したようなポテンシャル関数の縮約モデルを構築してきた．しかし，このようなモデル化は，多くの実験や膨大な専門知識が必要となり，非常に困難である．そこで本研究では，データ駆動的に縮約ポテンシャルを推定し，それが現象に矛盾しない，かつ有用な特性を含むことを検証する一連の枠組みの提案を行う．まず，我々はHamiltonian Neural Networks(HNN)を参考にした深層学習モデルによってデータ駆動で未知の物理現象の縮約ポテンシャルを推定する．次に，得られた縮約ポテンシャルの妥当性を検証し，現象を記述する上で有用な情報を抽出することを試みる．本稿では，本研究の提案枠組みの有用性を検証する一例として，提案枠組みを磁区パターン形成過程の数値計算データに適用した事例を紹介する．