Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان "تعلم أنظمة بورت-هاميلتونيان الحافظة للبنية والاستقرار" (Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems) من إعداد بينه نغوين، نام ت. نغوين، وتروكس إكس. نغيم.

1. بيان المشكلة

تتناول الورقة البحثية تحدي النمذجة القائمة على البيانات لأنظمة بورت-هاميلتونيان (PHS) باستخدام الشبكات العصبية. وبينما تعد الشبكات العصبية لـ "بورت-هاميلتونيان" (PHNNs) فعالة في تعلم الديناميكيات الفيزيائية مع الحفاظ على بنية الطاقة، إلا أن الأساليب الحالية تواجه قصورين حرجين:

1. قيد التحدب (Convexity Constraint): تعتمد معظم الأساليب الحالية على الشبكات العصبية ذات المدخلات المحدبة (ICNNs) لتقريب دالة الهاملتونيان. وهذا يجبر الهاملتونيان على أن يكون محدباً، وهو أمر غير دقيق فيزيائياً للعديد من الأنظمة الواقعية (مثل البندول، أو شبكات تودا) حيث تكون تضاريس الطاقة غير محدبة.
2. محدودية التوازن المنفرد: تفرض الأساليب القائمة على ICNN عادةً الاستقرار عند نقطة توازن واحدة (غالباً الأصل). وهي تواجه صعوبة في نمذجة الأنظمة ذات نقاط التوازن المستقرة المتعددة والمعزولة، مما يؤدي غالباً إلى دفع النظام للتقارب نحو توازن خاطئ أو الفشل في التقاط خصائص الاستقرار المحلي الصحيحة.

الهدف هو تطوير إطار عمل للتعلم يحافظ على بنية PHS الجوهرية، ويضمن الاستقرار عند نقاط توازن مستقرة متعددة ومعلومة، ويخفف من شرط التحدب المفروض على دالة الهاملتونيان.

2. المنهجية

يقترح المؤلفون بنية شبكة عصبية جديدة وإجراء تعلم مصمم لفرض الاستقرار عن طريق التصميم (by construction) بدلاً من الاعتماد على عقوبات التنظيم (regularization penalties).

أ. بنية الهاملتونيان العصبية المبتكرة

الابتكار الأساسي هو دالة هاملتونيان $\hat{H}(x)$ مصممة خصيصاً لضمان أن تكون نقاط معينة $x_{eq}$ هي نقاط صغرى مطلقة، مما يضمن الاستقرار.

• البنية: تُعرف دالة الهاملتونيان كالتالي:
  $$\hat{H}(x) = \text{NN}_H(x) \cdot h(\sigma(\|x - x_{eq}\|^2))$$
  حيث:
  • $\text{NN}_H(x)$ هي شبكة عصبية قياسية تخرج قيماً موجبة.
  • $\sigma(\cdot)$ هي دالة تنعيم سلسة وقابلة للاشتقاق (مثل $\sqrt{\|x-x_{eq}\|^2 + \delta^2} - \delta$) للتعامل مع عدم القابلية للاشتقاق عند نقطة التوازن.
  • $h(\cdot)$ هي دالة خطوة سلسة (مبنية على بناء حدودي) تنتقل من 0 إلى 1.
• الآلية:
  • داخل المنطقة $\Omega_b$ (بالقرب من $x_{eq}$): تم تصميم الدالة $h$ ومشتقها بحيث يكون $\nabla_x \hat{H}(x_{eq}) = 0$ وتصبح $x_{eq}$ نقطة صغرى محلية صارمة. وهذا يحقق شروط استقرار ليابونوف دون الحاجة إلى التحدب العالمي.
  • خارج المنطقة $\Omega_b$: تصبح الدالة $h$ مساوية لـ 1، وتعود $\hat{H}(x)$ لتكون $\text{NN}_H(x)$ القياسية، مما يسمح للشبكة بتعلم ديناميكيات غير محدبة معقدة بحرية.

ب. التعامل مع التوازنات المتعددة

لنمذجة $n_{eq}$ من نقاط التوازن المستقرة المعزولة، قام المؤلفون بتوسيع البنية:
$$\hat{H}(x) = \text{NN}_H(x) \cdot h_{\Sigma}(x; x^{(1)}_{eq}, \dots, x^{(n_{eq})}_{eq})$$
حيث $h_{\Sigma}$ هي مجموع دوال الخطوة الفردية المتمركزة حول كل نقطة توازن. يتم اختيار المناطق النشطة (كرات بنصف قطر $b$) حول كل نقطة توازن بحيث تكون غير متداخلة. وهذا يسمح بتحليل واستقرار كل نقطة توازن بشكل مستقل.

ج. إجراء التعلم

• الحفاظ على البنية: يتم تحديد مصفوفة الترابط $\hat{J}(x)$ ومصفوفة التبديد $\hat{R}(x)$ باستخدام شبكات عصبية ذات قيود هيكلية (مصفوفة $J$ متبادلة عكسياً، ومصفوفة $R$ متماثلة وموجبة شبه محددة) للحفاظ على صيغة PHS.
• التدريب: يتم تدريب النموذج عن طريق تقليل الخطأ بين مسار الحالة المتوقع (المستخرج عبر التكامل التماثلي/symplectic integration) والبيانات الحقيقية.
• ضمان الاستقرار: على عكس الطرق السابقة التي تضيف حد تنظيم $\lambda \|\nabla H(x_{eq})\|^2$ (والذي يقرب فقط من الصفر)، فإن هذه الطريقة تدمج برمجياً خصائص التدرج الصفري والنقطة الصغرى الصارمة داخل بنية الشبكة.

3. المساهمات الرئيسية

1. تخفيف شرط التحدب: تزيل هذه الطريقة فرضية التحدب المقيدة، مما يسمح بنمذجة تضاريس الطاقة غير المحدبة الشائعة في الأنظمة الفيزيائية.
2. استقرار التوازن المتعدد: توفر إطار عمل صارم للحفاظ على نقاط توازن مستقرة متعددة ومعزولة في آن واحد، وهي قدرة تفتقر إليها نماذج PHNN القائمة على ICNN.
3. الضمانات النظرية: يقدم المؤلفون تحليلاً استقرارياً صارماً (النظرية 3 والافتراض 4) يثبت أن النموذج المتعلم يحافظ على الاستقرار التقاربي المحلي عند النقاط المحددة، بشرما كانت مصفوفة التبديد موجبة التحديد في الجوار.
4. تقدير منطقة الجذب: تشتق الورقة شروطاً لتقدير منطقة الجذب لكل نقطة توازن، مما يضمن أن المسارات التي تبدأ ضمن حد معين ستتقارب إلى التوازن الصحيح.

4. النتائج التجريبية

تم التحقق من صحة الطريقة باستخدام اختبارين رقميين ومقارنتها بالنموذج المرجعي PH-ICNN (الشبكة العصبية ذات المدخلات المحدبة لـ بورت-هاميلتونيان).

• الحالة 1: نظام شبكة تودا (توازن منفرد)

  • الإعداد: سلسلة غير خطية من الجسيمات ذات هاملتوني غير محدب.
  • النتيجة: حقق النموذج المقترح دقة أعلى في التنبؤ بمسارات الحالة، والمخرجات، وقيم الهاملتونيان مقارنة بـ PH-ICNN تحت تأثير المدخلات النبضية والجيبية. كما حافظ بشكل صحيح على النظام عند توازن الأصل في حالة عدم وجود اضطراب.

• الحالة 2: نظام البندول المزدوج (توازنات متعددة)

  • الإعداد: بندول مزدوج ذاتي التشغيل بوجود عدد لا نهائي من نقاط التوازن (مثل التدلي للأسفل عند $0, 2\pi, -2\pi$).
  • النتيجة:
    • فشل PH-ICNN: فشل النموذج القائم على ICNN في التقارب نحو التوازنات غير الأصلية (مثل $2\pi$)، حيث أجبر النظام على العودة إلى الأصل بسبب قيوده الهيكلية. كما أنتج مسارات انتقالية غير صحيحة حتى عند التقارب نحو الأصل.
    • نجاح الطريقة المقترحة: نجح النموذج المقترح في التقارب نحو نقاط التوازن الصحيحة (بما في ذلك $2\pi$ و $-2\pi$) وأعاد إنتاج الديناميكيات الانتقالية بدقة، متفوقاً بشكل كبير على النموذج المرجعي في مطابقة البيانات الحقيقية.

5. الأهمية والخاتمة

يمثل هذا العمل تقدماً كبيراً في التعلم الآلي المستند إلى الفيزياء للأنظمة الديناميكية. فمن خلال فصل الحفاظ على الاستقرار عن التحدب العالمي، تنجح الطريقة المقترحة في سد الفجوة بين المتطلبات النظرية لأنظمة بورت-هاميلتونيان والتعقيد العملي للنماذج الفيزيائية الواقعية.

• الأثر: يتيح استخدام الشبكات العصبية لتعلم الأنظمة الفيزيائية المعقدة متعددة الاستقرار (مثل الروبوتات، وشبكات الطاقة، والوصلات الميكانيكية) حيث توجد نقاط تشغيل متعددة.
• العمل المستقبلي: يخطط المؤلفون لتوسيع إطار العمل هذا ليشمل تطبيقات التحكم والتحقق منه على أجهزة فيزيائية حقيقية.

باختصار، تقدم الورقة حلاً قوياً ومبنياً على أسس نظرية لتعلم أنظمة PHS، بحيث تكون وفية للبنية وحافظة للاستقرار عبر نقاط تشغيل متعددة، متجاوزة بذلك القيود الجوهرية للأساليب القائمة على التحدب.