Estimar ecuaciones de control a partir de datos de series temporales observados es crucial para comprender sistemas dinámicos. Desde la perspectiva de la comprensión del sistema, se ha enfatizado especialmente la demanda de una estimación precisa y resultados interpretables. En este documento, proponemos un método novedoso basado en el aprendizaje automático con alta precisión e interpretabilidad para estimar las ecuaciones de control de sistemas dinámicos. El método propuesto mejora la precisión de la estimación para sistemas dinámicos utilizando modelado escaso al incorporar restricciones físicas derivadas de la mecánica hamiltoniana. A diferencia de los enfoques convencionales utilizados para estimar ecuaciones de control para sistemas dinámicos, empleamos una representación escasa de Hamiltoniano, lo que permite la estimación. Utilizando datos de observación ruidosos, el método propuesto demuestra la capacidad de lograr una estimación precisa de parámetros y la extracción de términos no lineales esenciales. Además, se muestra que las estimaciones basadas en los principios de conservación de la energía exhiben una precisión superior en predicciones a largo plazo. Estos resultados indican colectivamente que el método propuesto estima con precisión los sistemas dinámicos manteniendo la interpretabilidad.