Approximate Feedback Linearization for a Nonlinear Hyperbolic PDE Class -- Part II: Neural Operator

Technische Zusammenfassung: Approximative Feedback-Linearisierung für eine Klasse nichtlinearer hyperbolischer PDEs — Teil II: Neural Operator

Problemstellung
Diese Arbeit befasst sich mit der rechnerischen Unbehandbarkeit der Implementierung exakter Feedback-Linearisierung für eine Klasse nichtlinearer hyperbolischer partieller Differentialgleichungen (PDEs). Während Teil I dieser Arbeit etablierte, dass eine endliche Ordnung der Volterra-Reihen-Feedback-Linearisierung die geschlossene Regelkreisstabilität gewährleistet, bleibt der resultierende Regler für die Echtzeitanwendung rechnerisch prohibitiv. Speziell erfordert die Auswertung des trunkierten Reglers:

1. Das Lösen einer „Turm“-Struktur von $N-1$ pflanzenspezifischen linearen Kernel-PDEs auf wachsenden Simplizes, um die Feedback-Kernel zu generieren.
2. Die Durchführung von $N$-fach verschachtelten Integralen über diese vorberechneten Kernel für jede Regelungsaktualisierung.

Diese Operationen sind „pflanzenspezifisch“, was bedeutet, dass jede Änderung der Nichtlinearität $F$ des Systems das Lösen der Kernel-PDEs von Grund auf neu erfordert. Diese Arbeit schlägt vor, den expliziten, rechenintensiven trunkierten Regler durch einen gelernten Neural-Operator-Surrogat zu ersetzen, um das Online-Lösen von Kerneln und die verschachtelte Integration zu eliminieren und gleichzeitig die Stabilitätsgarantien zu wahren.

Methodik
Die Kernmethodik besteht darin, eine Abbildung von den Koeffizienten der Nichtlinearität der Pflanze und dem Systemzustand direkt auf den Randsteuerungseingang zu lernen, wodurch der Zwischenschritt des Lösens der Kernel-PDEs umgangen wird.

1. Gemeinsame Lipschitz-Stetigkeit: Die Autoren stellen zunächst fest, dass der trunkierte Volterra-Feedback-Operator, bezeichnet als $U_N(f_N, u)$, bezüglich sowohl der Pflanzenkoeffizienten $f_N$ (den Volterra-Kernel der Nichtlinearität) als auch des Zustands $u$ gemeinsam Lipschitz-stetig ist. Dies ist ein entscheidender theoretischer Schritt, da es sicherstellt, dass der Operator auf kompakten Mengen Lipschitz-stetig ist, was die Voraussetzungen für die universelle Approximation erfüllt.
2. Neural Operator Surrogate: Unter Ausnutzung der Lipschitz-Eigenschaft verwendet die Arbeit einen Neural Operator (speziell eine MIONet-Architektur), um $U_N$ zu approximieren. Das Netzwerk wird auf einem Datensatz trainiert, der aus Paaren von Pflanzenkoeffizienten und Zuständen besteht, die auf die exakten trunkierten Kontrollwerte abgebildet sind. Einmal trainiert, fungiert der Neural Operator $\hat{U}_N$ als direkter Surrogat, der $(f_N, u)$ als Input nimmt und den Steuerwert $U(t)$ in einem einzigen Vorwärtspass ausgibt.
3. Closed-Loop-Analyse: Die Stabilität des geschlossenen Systems unter diesem Surrogat-Feedback wird analysiert. Es wird gezeigt, dass der Rand-Residuum, der die Ziel-Transportgleichung antreibt, aus zwei Komponenten besteht: dem Trunkierungsfehler (aus Teil I) und dem Approximationsfehler des Neural Operators ($\epsilon$).

Wesentliche Beiträge
Die Arbeit leistet drei primäre theoretische und praktische Beiträge:

• Lipschitz-Stetigkeitsresultat: Es wird bewiesen, dass der trunkierte Volterra-Feedback-Operator lokal Lipschitz-stetig auf beschränkten Mengen von Pflanzenkoeffizienten und Zuständen ist. Dieses Resultat dient als mathematische Grundlage für die nachfolgenden Approximationsgarantien.
• Existenz eines Neuralen Surrogats: Es wird etabliert, dass ein Neural-Operator-Approximant $\hat{U}_N$ existiert, der eine beliebige vorgegebene Sup-Norm-Genauigkeit auf beschränkten Mengen von Pflanzen und Zuständen erreichen kann, wodurch das Lösen der Kernel-PDE und die verschachtelte Integration effektiv in eine einzige gelernte Abbildung subsumiert werden.
• Praktisches Stabilitätstheorem: Es wird bewiesen, dass das geschlossene System unter Neural-Operator-Feedback die vier in Teil I etablierten Stabilitätseigenschaften (Vorwärts-Invarianz, praktische Stabilität, endliche-Zeit-Attraktivität und Klasse-$\mathcal{KL}$- asymptotische Schätzungen) beibehält. Entscheidend ist, dass die asymptotische Hülle der Form $\|u(\cdot, t)\|_\infty \leq \beta(\|u_0\|_\infty, t) + \gamma(\epsilon)$ folgt, wobei der Residuum-Ball linear mit der Trainingsgenauigkeit $\epsilon$ skaliert.

Ergebnisse
Die Arbeit validiert den Rahmen durch numerische Experimente bei der Trunkierungsordnung $N=3$:

• Stabilisierung: Der gelernte Regler stabilisiert erfolgreich nichtlineare hyperbolische Pflanzen, die im Open-Loop instabil sind.
• Robustheit: Der Surrogat, der auf einer spezifischen Verteilung von Pflanzenparametern trainiert wurde, stabilisiert auch ungesehene Pflanzen (andere Nichtlinearitätsparameter) und verschiedene Anfangsbedingungen ohne erneutes Training.
• Trunkierung vs. Approximation: Die Ergebnisse zeigen, dass der Neural Operator zwar einen Approximationsfehler $\epsilon$ einführt (was zu einem Residuum-Floor von $\sim 10^{-3}$ führt), aber die Stabilität auch in Regimen aufrechterhält, in denen niedrigere Trunkierungen (z. B. $N=2$) aufgrund großer Nichtlinearitätskoeffizienten versagen.
• Recheneffizienz: Das bedeutendste praktische Ergebnis ist die Beschleunigung der Berechnung. Die klassische Implementierung des $N=3$ Reglers erfordert das Lösen von Kernel-PDEs und verschachtelten Integralen, was etwa 3,95 Sekunden pro Auswertung dauert. Der trainierte Neural Operator evaluiert denselben Steuerungsgesetz in etwa 1 Millisekunde, was einen Beschleunigungsfaktor von etwa 4.000$\times$ ergibt.

Bedeutung und Ansprüche
Die Arbeit positioniert sich als die praktische Realisierung des in Teil I eingeführten theoretischen Rahmens. Während Teil I den Regler „im Prinzip implementierbar“ machte, indem er die unendliche Reihe trunkierte, macht diese Arbeit ihn „einmal und für immer pro Pflanzenklasse praktisch implementierbar“.

Die Autoren behaupten, dass durch das direkte Lernen des Operators das Online-Lösen der Kernel entfällt, welches den primären Engpass für die Echtzeitsteuerung nichtlinearer PDEs darstellt. Die Bedeutung liegt in dem strengen Beweis, dass diese Approximation die Stabilität nicht opfert; das System bleibt praktisch stabil mit einem Residuum-Fehler, der explizit begrenzt und linear proportional zur Trainingsgenauigkeit des neuronalen Netzes ist. Wenn die Trainingsgenauigkeit gegen Null geht, wird das Verhalten des exakten trunkierten Controllers (und letztlich des exakten unendlichen Volterra-Linearisierers) wiederhergestellt.