⚡ electrical engineering

Learning Dynamics from Input-Output Data with Hamiltonian Gaussian Processes

Diese Arbeit stellt ein vollständig bayesianisches Verfahren vor, das Hamilton-Gauß-Prozesse nutzt, um physikalisch konsistente Dynamikmodelle ausschließlich aus Eingangs-Ausgangs-Daten zu lernen, ohne auf selten verfügbare Geschwindigkeits- oder Impulsdaten angewiesen zu sein.

Ursprüngliche Autoren: Jan-Hendrik Ewering, Robin E. Herrmann, Niklas Wahlström, Thomas B. Schön, Thomas Seel

Veröffentlicht 2026-04-16

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Jan-Hendrik Ewering, Robin E. Herrmann, Niklas Wahlström, Thomas B. Schön, Thomas Seel

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

🌟 Die Idee: Ein Physiker, der nur das Ergebnis sieht

Stellen Sie sich vor, Sie haben einen geheimnisvollen Roboter, der auf einem Tisch herumhüpft. Sie wollen herausfinden, wie er funktioniert, um ihn später perfekt zu steuern.

Das Problem: Sie dürfen den Roboter nicht auseinanderbauen und Sie dürfen ihm auch nicht in die Augen schauen (um zu sehen, wie schnell er gerade fliegt). Sie dürfen nur zwei Dinge beobachten:

Was Sie ihm sagen (z. B. "Drück hier!" – das ist der Eingang).
Wo er am Ende landet (das ist der Ausgang).

Frühere Methoden brauchten oft auch die Geschwindigkeit oder den "Schwung" des Roboters, um ein gutes Modell zu bauen. Das ist aber im echten Leben oft unmöglich zu messen. Diese Forscher haben nun einen Weg gefunden, wie man den Roboter trotzdem verstehen kann, obwohl man nur die "Start" und "Ziel"-Daten hat.

🎨 Die Methode: Der "Hamiltonsche Maler"

Die Forscher nutzen eine Technik namens Gaussian Processes (man kann sich das wie einen sehr klugen, vorsichtigen Maler vorstellen, der ein Bild von den Gesetzen der Physik malt).

Das Energie-Gemälde (Hamiltonian):
Statt den Roboter direkt zu beschreiben, malen sie ein unsichtbares "Energie-Landschaftsbild". Stellen Sie sich vor, der Tisch ist eine hügelige Landschaft. Wenn der Roboter einen Hügel hinunterrollt, gewinnt er Schwung; wenn er hoch muss, verliert er ihn. Dieses Bild nennt man Hamiltonian.
- Der Clou: Frühere Maler brauchten einen Pinselstrich für jeden einzelnen Punkt der Geschwindigkeit. Diese Forscher haben einen neuen Pinsel erfunden, der das ganze Bild aus wenigen, cleveren Strichen rekonstruiert. Das macht sie viel schneller und sparsamer.
Der "Geister"-Schritt (Partikel-Gibbs):
Da sie die Geschwindigkeit nicht sehen können, müssen sie sie sich vorstellen.
- Die Analogie: Stellen Sie sich vor, Sie sehen nur die Fußabdrücke eines Tieres im Schnee (die Position). Sie wissen nicht, wie schnell es lief. Also malen Sie sich hunderte mögliche Szenarien aus: "Vielleicht ist es langsam gelaufen?", "Vielleicht ist es gerannt und dann gestolpert?".
- Der Algorithmus probiert tausende dieser "Geister-Szenarien" durch. Er vergleicht sie mit den echten Fußabdrücken. Die Szenarien, die nicht passen, verwirft er. Die, die passen, behält er. So rekonstruiert er nicht nur den Weg, sondern auch die unsichtbare Geschwindigkeit und die Energiegesetze dahinter.
Die Unsicherheit (Bayesianisches Lernen):
Das Tolle an dieser Methode ist, dass sie nicht nur eine Antwort gibt, sondern sagt: "Ich bin zu 90 % sicher, dass es so ist, aber es könnte auch so sein." Das ist wie ein Wetterbericht, der nicht nur "Regen" sagt, sondern "80 % Regenwahrscheinlichkeit". Das ist super wichtig, wenn man einen Roboter steuern will, damit er nicht gegen eine Wand fährt, weil er sich zu sicher war.

🚀 Was ist neu daran?

Keine Geschwindigkeitsmessung nötig: Früher brauchte man teure Sensoren für Geschwindigkeit. Jetzt reicht ein einfacher Positions-Sensor (wie eine Kamera, die nur die Stelle aufzeichnet).
Energieerhaltung ist eingebaut: Der Algorithmus "weiß" von Natur aus, dass Energie nicht aus dem Nichts kommt oder verschwindet (außer durch Reibung oder externe Kraft). Er macht keine physikalischen Unsinnigkeiten.
Reibung und externe Kräfte: Sie können sogar Dinge wie Reibung (Dämpfung) oder externe Stöße (wie ein Windstoß) mitlernen. Das ist wie wenn man lernt, dass der Roboter auf einem rutschigen Boden läuft, ohne den Boden vorher zu kennen.

🎯 Das Ergebnis im Test

Die Forscher haben das an einem simulierten, wilden Pendel getestet.

Das Ergebnis: Ihr Modell hat den Weg des Pendels fast genauso genau vorhergesagt wie die alten Methoden, die viel mehr Daten hatten.
Der Vorteil: Es ist viel schneller zu berechnen und braucht weniger Speicherplatz, weil sie die "reduzierte" Methode (wenige Pinselstriche statt Millionen) nutzen.

🏁 Fazit in einem Satz

Diese Forscher haben einen cleveren Trick entwickelt, um die unsichtbaren Gesetze der Physik (wie Energie und Bewegung) zu lernen, indem sie nur die sichtbaren Spuren (Eingang und Ausgang) betrachten und dabei tausende mögliche Szenarien durchspielen – alles mit einer klugen mathematischen "Kunst", die Fehler absichert und unsicherheiten offenlegt.

Kurz gesagt: Sie machen aus einem "Black Box"-Roboter ein verständliches Modell, ohne ihn auseinanderzubauen oder teure Sensoren zu installieren.

1. Problemstellung

Das Ziel der Arbeit ist das Erlernen physikalisch konsistenter Dynamikmodelle aus begrenzten Daten, um modellbasierte Regelungsansätze zu verbessern. Bisherige Ansätze, die Hamiltonsche Gaussian Processes (GPs) nutzen, um Energieerhaltungssätze in die Lernmethode zu integrieren, haben eine wesentliche Einschränkung: Sie benötigen für das Training vollständige Zustandsmessungen, insbesondere Geschwindigkeits- oder Impulsdaten ( $\dot{q}$ oder $p$ ).

In der Praxis sind diese Größen jedoch oft nicht direkt messbar oder nur durch numerische Differentiation von Positionsdaten schätzbar, was extrem rauschempfindlich ist. Zudem können verallgemeinerte Impulse im Hamiltonschen Formalismus nicht immer aus Positionsdaten konstruiert werden. Das Paper adressiert daher das realistischere Szenario des Lernens ausschließlich aus Eingangs-Ausgangs-Daten (Input-Output), ohne auf direkte Geschwindigkeits- oder Impulsmessungen zurückzugreifen. Zudem soll das Modell nicht-konservative Systeme abbilden können, d. h. Systeme mit Energieaustausch mit der Umgebung (durch externe Kräfte) und Dissipation (Dämpfung).

2. Methodik

Die Autoren schlagen einen vollständig bayesschen Rahmen vor, der folgende Kernkomponenten vereint:

Hamiltonsche Formulierung: Die Systemdynamik wird durch die verallgemeinerte Hamiltonsche Gleichung beschrieben:
$\dot{x} = (J(x) - R(x)) \nabla_x H(x) + G(x)u + w$
Hierbei ist $H(x)$ die unbekannte Hamilton-Funktion (Energie), $J$ die schiefsymmetrische Interaktionsmatrix, $R$ die symmetrische, positiv semidefinite Dissipationsmatrix und $G$ die Eingangsmatrix. Die Matrizen $J, R, G$ haben bekannte Strukturen, aber unbekannte Parameter (z. B. Dämpfungskoeffizienten).
Reduzierter Rang Gaussian Process (Reduced-Rank GP): Um die Hamilton-Funktion $H(x)$ $H (x)$ zu modellieren, wird ein GP verwendet. Um die hohe rechnerische Komplexität herkömmlicher GPs (die mit der Anzahl der Trainingsdaten skaliert) zu vermeiden, wird ein Reduced-Rank GP nach Solin und Särkkä eingesetzt.
- Die Hamilton-Funktion wird als endliche Eigenfunktionsentwicklung approximiert: $H(x) \approx \sum a_k \phi_k(x)$ .
- Dies führt zu einem linearen Modell in den Parametern $a$ und ermöglicht eine geschlossene Form für Gradienten.
- Die Komplexität der Vorhersage hängt nur von der Anzahl der Basisfunktionen $M$ ab ( $O(M)$ ) und nicht von der Datenmenge.
Partielle Beobachtbarkeit und Latente Variablen: Da keine direkten Messungen von $\nabla_x H(x)$ (dem Gradienten der Energie) vorliegen, wird dieser Gradient als latente Variable $h_t$ modelliert.
Bayessche Inferenz (Particle Gibbs): Zur Schätzung der gemeinsamen Verteilung der latenten Zustände, der GP-Hyperparameter und der strukturellen Parameter (z. B. Dämpfung) wird ein Particle Markov Chain Monte Carlo (PMCMC)-Verfahren verwendet, spezifisch ein Particle Gibbs-Schema:
1. Schritt 1 (Zustandsinferenz): Ein Conditional Sequential Monte Carlo (CSMC) schätzt die Trajektorien der latenten Variablen (Zustände und Hamilton-Gradienten) gegeben die Parameter.
2. Schritt 2 (Parameterlernen):
  - Die GP-Parameter ( $\theta$ ) werden in geschlossener Form aktualisiert (da konjugierte Prior-Verteilungen genutzt werden).
  - Die Hyperparameter (Kernel-Parameter und strukturelle Parameter wie Dämpfung) werden mittels Metropolis-Hastings-Schritten innerhalb des Gibbs-Schemas aktualisiert.

3. Wichtige Beiträge

Lernen aus Input-Output-Daten: Das erste Hamiltonsche GP-Modell, das ausschließlich auf Eingangs- und Ausgangsdaten (z. B. nur Position) basiert und keine Impuls- oder Geschwindigkeitsmessungen benötigt.
Nicht-konservative Systeme: Das Modell kann Energieverluste (Dissipation) und externe Einflüsse explizit abbilden, was in früheren Hamilton-GP-Ansätzen oft vernachlässigt oder nur eingeschränkt möglich war.
Vollständig bayessche Schätzung: Im Gegensatz zu bestehenden Arbeiten, die oft frequentistische Ansätze nutzen, bietet das Verfahren Unsicherheitsquantifizierung für alle unbekannten Größen: latente Zustände, GP-Hyperparameter und strukturelle physikalische Parameter (wie Dämpfungskoeffizienten).
Rechnerische Effizienz: Durch die Nutzung des Reduced-Rank GPs wird die Skalierbarkeit verbessert. Die Komplexität ist unabhängig von der Dimension der Trainingsdaten, was die Anwendung auf größere Datensätze ermöglicht.
Geschlossene Formulierungen: Das Modell ist linear in den Parametern und bietet geschlossene Ausdrücke für Gradienten, was die Integration in bayessche Inferenzverfahren erleichtert.

4. Ergebnisse

Die Methode wurde in einer nichtlinearen Simulationsstudie mit einem nicht-harmonischen Oszillator evaluiert:

Vergleich: Die Leistung wurde mit einem State-of-the-Art-Ansatz (exaktes Hamilton-GP mit vollständigen Zustandsmessungen) und einer Variante des eigenen Ansatzes mit vollständigen Zustandsdaten verglichen.
Genauigkeit: Trotz des Fehlens von Geschwindigkeitsdaten erreichte das vorgeschlagene Modell eine Genauigkeit in der Rekonstruktion der Flusskarte (Flow Map), die mit den Methoden vergleichbar war, die über vollständige Zustandsdaten verfügten.
Unsicherheitsquantifizierung: Das Verfahren lieferte präzise Dichteschätzungen für die latenten Zustände und die Hyperparameter. Die geschätzte Dämpfungskoeffizienten-Dichte zeigte zwar eine leichte Verzerrung (aufgrund von Identifizierbarkeitsproblemen im gewählten Beispiel), reflektierte aber dennoch die Unsicherheit korrekt.
Physikalische Konsistenz: Die aus dem posterior-Verteilung gezogenen Modelle simulierten das Systemverhalten physikalisch konsistent, einschließlich der korrekten Darstellung von Dissipation und Energieaufnahme durch externe Eingänge.

5. Bedeutung und Fazit

Das Paper schließt eine wichtige Lücke zwischen physik-informiertem maschinellem Lernen und physikalisch konsistenter Systemidentifikation. Es ermöglicht die Erstellung von Unsicherheits-quantifizierenden, nichtlinearen Systemmodellen, die physikalische Gesetze (Energieerhaltung und Dissipation) einhalten, ohne auf schwer zu beschaffende Sensordaten (Geschwindigkeit/Impuls) angewiesen zu sein.

Dies ist ein entscheidender Schritt für den Einsatz in der praxisnahen modellbasierten Regelung und Systemanalyse komplexer Anwendungen, wo oft nur Eingangs- und Ausgangssignale verfügbar sind. Die Autoren weisen jedoch darauf hin, dass die rechnerische Komplexität mit der Problemdimension steigt und dass für komplexe Hamilton-Funktionen aus Eingangs-Ausgangs-Daten möglicherweise zusätzliche Symmetrie-Nebenbedingungen oder eine tiefere Analyse der Identifizierbarkeit notwendig sind.