⚡ electrical engineering

Adaptive and Neural Operator Control of Nonlinear Volterra Hyperbolic PDEs

Dieses Papier präsentiert ein hybrides Kontrollframework für nichtlineare Volterra-hyperbolische PDEs, das die Online-adaptive Identifikation unbekannter Prozessdynamiken mit der Offline-Approximation komplexer Backstepping-Gewinn-Synthese mittels Neural Operators kombiniert, wodurch eine geschlossene Regelkreisstabilität und asymptotische Regulierung trotz Trunkierungs-, Identifikations- und Approximationsfehlern erreicht wird.

Ursprüngliche Autoren: Miroslav Krstic

Veröffentlicht 2026-07-08

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Miroslav Krstic

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

Stellen Sie sich vor, Sie versuchen, ein sehr komplexes, unvorhersehbares Schiff durch einen Sturm zu steuern. Der Motor und das Ruder des Schiffes werden von einem Computer gesteuert, aber das Schiff selbst besitzt ein „Gedächtnis“ seiner vergangenen Bewegungen, das beeinflusst, wie es im Hier und Jetzt reagiert. In der Welt der Physik und des Ingenieurwesens wird dieses Schiff durch eine partielle Differentialgleichung (PDE) beschrieben, und sein „Gedächtnis“ ist eine Volterra-Reihe (eine ausgeklügelte Art zu sagen, dass das Verhalten des Schiffes von einer langen Kette vergangener Interaktionen abhängt).

Das Problem ist zweigeteilt:

Wir kennen die genauen Regeln des Schiffes nicht: Der Computer kennt nicht die spezifischen „Gedächtniseinstellungen“ (die Kerne/Kernfunktionen) des Schiffes.
Die Regeln sind zu schwer, um sie in Echtzeit zu berechnen: Selbst wenn wir die Regeln wüssten, wäre die Berechnung der perfekten Steuerungseinstellung so rechenintensiv, dass es Stunden dauern würde, ein Problem zu lösen, das eine Antwort in Millisekunden erfordert. Es ist, als müsste man ein Sudoku-Rätsel in der Größe einer Stadt lösen, jedes Mal, wenn man am Steuer dreht.

Diese Arbeit von Miroslav Krstic schlägt eine clevere Lösung vor, die Adaptive Steuerung (Lernen während des Betriebs) mit Neuralen Operatoren (das Lernen der Mathematik im Vorfeld) komb combinations.

Hier ist die Aufschlüsselung unter Verwendung einfacher Analogien:

1. Die zwei Hauptprobleme

Das „Unbekannte Landkarten“-Problem: Um das Schiff perfekt zu steuern, benötigt man eine Karte davon, wie das Schiff reagiert. Aber die Karte ist verborgen. Man muss sie erraten, während man bereits segelt.
Das „Zu langsame Taschenrechner“-Problem: Jedes Mal, wenn man seine Vermutung über die Landkarte aktualisiert, muss man ein massives, mehrdimensionales mathematisches Rätsel lösen, um den neuen Steuerwinkel zu bestimmen. Dieses Rätsel jede Sekunde zu lösen, ist unmöglich. Es ist, als würde man versuchen, ein Sudoku-Rätsele in der Größe einer Stadt zu lösen, jedes Mal, wenn man das Steuer dreht.

2. Die Lösung: Ein Zwei-Parteien-Team

Der Autor erschafft ein System mit zwei unterschiedlichen „Lernern“, die zusammenarbeiten:

Teil A: Der „Passive Beobachter“ (Der Online-Lerner)

Stellen Sie sich dies als einen Co-Piloten vor, der neben dem Kapitän sitzt.

Was er tut: Er beobachtet das echte Schiff und ein „virtuelles“ Modell des Schiffes. Er vergleicht diese ständig miteinander.
Wie er lernt: Wenn das echte Schiff vom virtuellen Schiff abweicht, aktualisiert der Co-Pilot seine Vermutung über die „Gedächtnisregeln“ (die Kerne) des Schiffes.
Hauptmerkmal: Er lernt online (während das Schiff fährt), ohne dass er dazu gezwungen werden muss, in bestimmte Richtungen zu steuern (keine Notwendigkeit für „Persistenz der Anregung“). Er absorbiert den Fehler einfach passiv.

Teil B: Der „Neurale Operator“ (Der Offline-Lerner)

Stellen Sie sich dies als einen hochintelligenten Lehrling vor, der jahrelang die Mathematik studiert hat, bevor das Schiff überhaupt den Hafen verlassen hat.

Was er tut: Er lernt die Beziehung zwischen „Vermutung der Landkarte“ und „Berechnung des Steuerwinkels“.
Wie er lernt: Bevor das Schiff startet, füttern Forscher den Lehrling mit Tausenden von Beispielen für verschiedene Schiffskarten und den jeweils dazugehörigen perfekten Steuerwinkel. Der Lehrling verwendet einen Neuralen Operator (eine Art von KI, die für kontinuierliche Mathematik entwickelt wurde), um das Muster zu lernen.
Die Magie: Sob[en er trainiert ist, muss der Lehrling das massive mathematische Rätsel nicht mehr lösen. Wenn der Co-Pilot sagt: „Ich glaube, das Gedächtnis des Schiffes ist dieses“, sagt der Lehrling sofort: „Okay, basierend auf meinem Training sollte der Steuerwinkel jener sein.“ Er ersetzt die stundenlange Berechnung durch einen blitzschnellen Nachschlagewerk-Vorgang.

3. Wie sie zusammenarbeiten

Das System läuft in einer Schleife ab:

Der Co-Pilot (Beobachter) beobachtet das Schiff und aktualisiert seine Vermutung über die verborgenen Regeln des Schiffes.
Der Lehrling (Neuraler Operator) nimmt diese Vermutung und gibt sofort den korrekten Steuerbefehl aus.
Das Schiff steuert, der Co-Pilot sieht das Ergebnis, aktualisiert die Vermutung und der Zyklus wiederholt sich.

4. Der „Selbstgekoppelte“ Twist

Normalerweise kann man bei Kenntnis der Regeln den Steuerwinkel mit einer einfachen Formel berechnen. Aber hier ist selbst der grundlegendste Teil der Schiffsregeln (der lineare Teil) unbekannt. Dies macht das mathematische Rätsel „selbstgekoppelt“ – es ist, als versuche man, ein Rätsel zu lösen, bei dem die Antwort Teil der Frage selbst ist.

Die Behauptung des Papers: Der Autor beweist, dass dieses knifflige, selbstreferenzielle mathematische Problem dennoch lösbar und stabil ist, vorausgesetzt, das nichtlineare Verhalten des Schiffes ist nicht unendlich wild.

5. Das Ergebnis: Stabilität und Regulierung

Das Paper beweist mathematisch:

Stabilität: Das Schiff wird nicht abstürzen oder außer Kontrolle geraten, selbst während der Co-Pilot noch die Regeln errät.
Regulierung: Schließlich wird sich das Schiff beruhigen und zur Ruhe kommen (den Nullzustand erreichen) und die Steuerung wird aufhören.
Der „Einzugsbereich“ (Basin of Attraction): Das System funktioniert, solange das Schiff innerhalb einer bestimmten „Sicherheitszone“ startet. Je besser der Lehrling (Neuraler Operator) seine Aufgabe erledigt (genauer wird), desto größer wird diese Sicherheitszone, bis sie schließlich die Größe der Sicherheitszone erreicht, die man hätte, wenn man die perfekten Regeln von Anfang an gekannt hätte.

6. Was die Simulation zeigt

Das Paper enthält eine Computersimulation eines Schiffes mit einem „quadratischen Gedächtnis“ (einer spezifischen Art von Nichtlinearität).

Ohne Steuerung: Das Schiff explodiert (divergiert) schnell.
Mit dem neuen System: Das Schiff stabilisiert sich.
Der Haken: Die Vermutung des Co-Piloten über die Regeln des Schiffes wird nicht perfekt genau werden. Sie hört auf sich zu ändern, sobald das Schiff stillsteht, weil es keinen „Fehler“ mehr gibt, aus dem man lernen könnte. Das spielt jedoch keine Rolle! Der vom Lehrling generierte Steuerbefehl ist „gut genug“, um das Schiff sicher und stabil zu halten. Das System muss nicht die absolute Wahrheit kennen; es muss nur eine gute genug Vermutung haben, um einen guten genug Steuerbefehl zu generieren.

Zusammenfassung

Dieses Paper löst ein „Henne-Ei-Problem“ bei der Steuerung komplexer physikalischer Systeme. Man kann nicht steuern, ohne die Regeln zu kennen, aber man kann die Regeln nicht lernen, ohne zu steuern. Durch den Einsatz eines Online-Beobachters, der die Regeln errät, und eines offline-trainierten KI-Modells, das diese Vermutungen sofort in Steuerbefehle umwandelt, erschafft der Autor einen Controller, der sowohl adaptiv als auch schnell genug für den Echtzeitgebrauch ist. Er verwandelt eine mathematisch unmögliche Echtzeitberechnung in einen einfachen, schnellen Nachschlagewerk-Vorgang.

Problemstellung
Diese Arbeit befasst sich mit der adaptiven Regelung einer Klasse nichtlinearer hyperbolischer partieller Differentialgleichungen (PDEs), bei denen die In-Domain-Nichtlinearität durch eine unbekannte Volterra-Reihe mit beliebig vielen Kernen bestimmt wird. Das spezifische System ist eine erste Ordnung hyperbolische PDE mit einem Randsteuerungseingang. Das Regelziel ist die Stabilisierung des Systemzustands des Prozesses gegen den Ursprung.

Zwei primäre Hindernisse verhindern den Einsatz der Standard-PDE-Backstepping-Regelung auf solchen unvollständig bekannten Prozessen:

Modellabhängigkeit: Die Feedback-Verstärkungen (Kerne), die für das Backstepping erforderlich sind, sind Funktionalen der Prozesskoeffizienten. Ohne ein bekanntes Modell können diese Verstärkungen nicht berechnet werden.
Rechenbedingte Unmöglichkeit: Selbst wenn das Modell bekannt wäre, sind die Backstepping-Verstärkungen für diese Klasse von nichtlinearen Volterra-PDEs die Lösung einer Kaskade von Kern-PDEs, die auf Simplex-Domänen steigender Dimension definiert sind ( $n$ -dimensionale Simplizes für den $n$ -ten Ordnung Kern). In einem adaptiven Szenario, in dem sich die Prozessschätzungen kontinuierlich ändern, ist das Online-Lösen dieser Kaskade rechentechnisch prohibitiv.

Methodik
Die Autoren schlagen eine einheitliche Architektur vor, die adaptive Regelung mit Neural Operator Learning kombiniert, um beide Hindernisse gleichzeitig zu überwinden. Das System arbeitet durch zwei in Serie geschaltete Lernprozesse:

Adaptiver Online-Identifikator: Ein beobachterbasierter passiver Identifikator wird entworfen, um die unbekannten Volterra-Kerne ( $f_1, \dots, f_N$ ) online zu schätzen. Dieser Identifikator verwendet eine abgeschnittene Volterra-Reihe $N$ -ter Ordnung und ein projektionsbasiertes Parameteraktualisierungsgesetz. Entscheidend ist, dass das Design die Stabilität gewährleistet, ohne eine Persistenz-der-Anregung (Persistence-of-Excitation) vorauszusetzen, da der Schätzfehler als dissipativer Term im Lyapunov-Ableitung erscheint.
Offline Neural Operator Solver: Die Abbildung von den geschätzten Prozessparametern auf die erforderlichen Backstepping-Regelverstärkungen ist ein komplexer, unendlich dimensionaler Operator, der eine Kaskade linearer Volterra-Integralgleichungen umfasst. Diese Abbildung, bezeichnet als $Q_N$ $Q_{N}$ , wird offline durch einen Neural Operator ( $\hat{Q}_N$ $\hat{Q}_{N}$ ) approximiert.
- Im Gegensatz zu bisherigen Arbeiten, bei denen der Neural Operator den Regler für einen bekannten Prozess lernt, lernt dieser Paper die Kern-Generierungs-Abbildung. Der Neural Operator nimmt die laufenden Parameterschätzungen $\hat{f}(t)$ als Input und gibt die Regelkerne $\hat{k}(t)$ in Echtzeit aus.
- Der implementierte Regler verwendet diese gelernten Kerne in einem Certainty-Equivalence-Framework und wirkt auf den Beobachterzustand.

Wesentliche Beiträge

Adaptives Design für unbekannte lineare Kerne: Die Arbeit erweitert die adaptive Regelung auf die voll nichtlineare Volterra-Klasse, bei der selbst der lineare Kern ( $f_1$ ) unbekannt ist. Dies transformiert die Verstärkungskaskade von einer Sequenz geschlossener Quadraturen (wie bei Designs mit bekanntem Modell) in eine Sequenz selbstgekoppelter linearer Volterra-Integralgleichungen. Die Autoren beweisen die Invertierbarkeit dieser Gleichungen für jede zulässige Größe der Nichtlinearität, ohne Anforderungen an die "Smallness" zu stellen.
Stabilität durch Trunkierung und Approximation: Die Autoren etablieren eine a priori $L^2$ $L^{2}$ -Stabilität und asymptotische Regulation des geschlossenen Regelkreises. Sie nutzen eine einzige Lyapunov-Funktion, um gleichzeitig Störungen zu absorbieren, die aus folgenden Punkten resultieren:
- Der Trunkierung der unendlichen Volterra-Reihe.
- Den Online-Parameterschätzfehlern.
- Dem Approximationsfehler des Neural Operators.
Implementierung des Neural Operators (Theorem 2): Die Arbeit beweist, dass das Ersetzen des Online-Lösens der Kern-PDE-Kaskade durch einen offline trainierten Neural-Operator-Surrogat die Stabilität des geschlossenen Regelkreises bewahrt. Das Einzugsgebiet des Neural-Operator-basierten Reglers erweitert sich so, dass es dem Einzugsgebiet des exakten Kerns entspricht, sobald der Approximationsfehler gegen Null geht.
Lipschitz-Stetigkeit der Kern-Abbildung: Ein strenger Beweis wird erbracht, der zeigt, dass der Kern-Generierungs-Operator $Q_N$ Lipschitz-stetig auf dem Raum der Parameterschätzungen ist, was eine Voraussetzung für die universelle Approximationsfähigkeit des Neural Operators ist.

Ergebnisse

Theoretische Garantien: Theorem 1 etabliert die Lyapunov-Stabilität und die asymptotische Regulation des Prozesszustands, des Beobachterzustands und des Eingangs für den Fall des exakten Kerns. Theorem 2 erweitert diese Garantien auf die Neural-Operator-Implementierung und zeigt, dass das System stabil bleibt und gegen Null regelt, sofern die Anfangsbedingungen innerhalb eines spezifischen Einzugsgebiets liegen und die Genauigkeit des Neural Operators ausreichend ist.
Numerische Illustration: Eine Simulation mit einer quadratischen Volterra-PDE ( $N=2$ $N = 2$ ) demonstriert das Design. Die Ergebnisse zeigen:
- Das Open-Loop-System explodiert in endlicher Zeit.
- Das adaptive Closed-Loop-System regelt den Zustand erfolgreich gegen Null.
- Die Parameterschätzungen und die Ausgaben der Kerne des Neural Operators konvergieren und stabilisieren sich frühzeitig, während die Prozesszustände langsamer auf der Transportzeitskala abklingen.
- Die Schätzungen konvergieren nicht notwendigerweise gegen die wahren Prozessparameter (aufgrund mangelnder Persistenz-der-Anregung, sobald der Zustand verschwindet), sind aber ausreichend, um Kerne zu generieren, die das System stabilisieren.
- Der Neural Operator reduziert die Online-Rechenlast signifikant (0,17 ms pro Schritt gegenüber 0,64 ms für den numerischen Kaskaden-Solve) bei gleichzeitiger Beibehaltung eines niedrigen Approximationsfehlers (~ $2 \times 10^{-2}$ ).

Bedeutung
Das Paper behauptet, einen fundamentalen Engpass in der adaptiven unendlich-dimensionalen Regelung gelöst zu haben: die Unfähigkeit, komplexe, hochdimensionale Feedback-Verstärkungen in Echtzeit neu zu berechnen, während sich die Prozessschätzungen entwickeln. Durch die Entkopplung der schweren Rechenlast des Lösens der Kern-PDE-Kaskade (gehandhabt offline via Neural Operators) von der Online-Adaptionsschleife ermöglichen die Autoren die praktische Anwendung von adaptiven Backstepping-Verfahren für nichtlineare hyperbolische PDEs mit unbekannten Volterra-Nichtlinearitäten. Die Arbeit schließt die Lücke zwischen der theoretischen adaptiven Regelung für PDEs und der Echtzeitimplementierung, indem sie speziell die einzigartige Schwierigkeit unbekannter linearer Kerne in nichtlinearen Kaskaden adressiert.