Data driven tensor product-based modeling and control of a damped Lotka-Volterra predator-prey process

In der Welt des Ingenieurwesens fühlt sich die Steuerung einer Maschine oder eines biologischen Systems oft so an, als versuche man, ein Schiff durch einen Sturm zu steuern, während sich die Landkarte ständig ändert. Um ein System zu führen – sei es ein Roboterarm, ein chemischer Reaktor oder eine Population von Tieren – benötigen Ingenieure ein mathematisches Modell, einen Satz von Regeln, der vorhersagt, wie das System auf verschiedene Eingaben reagiert. Für einfache, vorhersehbare Maschinen sind diese Regeln fest und leicht aufzuschreiben. Doch für komplexe, lebende Systeme, in denen sich die Regeln je nach aktuellem Zustand ändern, sind diese Regeln fließend. Die Herausforderung bestand lange darin, eine zuverlässige Karte für diese sich verändernden Landschaften zu erstellen, indem man sich nur auf die messbaren Daten stützt, ohne jedes verborgene Detail wissen zu müssen, wie das Innere des Systems funktioniert. Wenn wir allein aus Beobachtungen eine gute genüge Karte erstellen können, können wir dann einen Regler entwerfen, der das System sanft auf einen gewünschten Pfad lenkt und es stabil hält, selbst wenn es versucht, vom Weg abzuweichen.

Dies ist das Kernproblem, das Árpád Varga, ein Forscher an der Obuda Universität in Ungarn, angeht, der sich zum Ziel gesetzt hat, eine neue Methode zur Modellierung und Steuerung eines klassischen biologischen Szenarios zu testen: der Räuber-Beute-Beziehung. Das spezifische System, das er untersuchte, ist eine gedämpfte Version des Lotka-Volterra-Modells, einer berühmten mathematischen Beschreibung der Art und Weise, wie Populationen von Räubern und Beute gemeinsam steigen und fallen. In der Natur essen, wenn es zu viele Räuber gibt, diese zu viele Beutetiere, was zum Zusammenbruch der Beutepopulation führt, was wiederum dazu führt, dass die Räuber verhungern und ihre Zahlen sinken, wodurch sich die Beute erholen kann. Dieser Zyklus kann chaotisch sein, aber in dieser Studie war das System „gedämpft“, was bedeutet, dass es sich mit der Zeit natürlich beruhigt, anstatt ewig zu oszillieren. Das Ziel des Forschers war es zu sehen, ob er Messungen dieser Populationen vornehmen, ein vereinfachtes Modell ihres Verhaltens unter Verwendung einer speziellen mathematischen Technik namens Tensorprodukt-Modellierung erstellen und dieses Modell dann nutzen kann, um die Populationen auf einem bestimmten, gewünschten Niveau zu halten, um effektiv die wilden Schwankungen der Natur zu bändigen.

Um dies zu erreichen, musste Varga zunächst herausfinden, wie er das System beschreibt, ohne die exakten biologischen Konstanten zu kennen, die es regieren. Anstatt die Regeln zu erraten, behandelte er das System als eine Blackbox, die er beobachten konnte. Indem er die aktuelle Anzahl der Beute und der Räuber maß sowie auch maß, wie schnell sich diese Zahlen in jedem Moment veränderten, konnte er eine Momentaufnahme des Systemverhaltens berechnen. Er nutzte einen mathematischen Trick, bekannt als Pseudo-Invers-Operation, um die Beziehung zwischen dem aktuellen Zustand und der Änderung des Zustands rückwärts zu berechnen. Dies gab ihm ein grobes, instantanes Bild der internen Logik des Systems. Diese Rohdaten waren jedoch unordentlich und schwer zu verwenden. Um sie nutzbar zu machen, passte er glatte Polynomkurven an die Datenpunkte an, was im Wesentlichen das Zeichnen einer kontinuierlichen Oberfläche durch die verstreuten Messwerte darstellt, um darzustellen, wie das System über verschiedene Populationsniveaus hinweg reagiert.

Der Forscher testete dann eine fortgeschrittenere Methode, um dieselben Daten darzustellen: die Tensorprodukt-Modellierung. Stellen Sie sich die Daten als eine komplexe, mehrdimensionale Form vor. Anstatt diese Form mit einer einzigen, massiven Gleichung zu beschreiben, die die Speicherung von tausenden Zahlen erfordert, zerlegt die Tensorprodukt-Modellierung die Form in ein Gitter aus kleineren, einfacheren Bausteinen. Sie berechnet das Verhalten des Systems, indem sie betrachtet, wie diese Blöcke basierend auf den aktuellen Populationszahlen kombine-iert werden. Die Idee ist, dass dieser Ansatz effizienter sein könnte, insbesondere für sehr komplexe Systeme mit vielen Variablen, da er das wesentliche Verhalten mit weniger gespeicherten Zahlen erfassen kann als eine traditionelle Polynomgleichung. In dieser Studie verglich der Forscher die traditionelle Polynom-Anpassung mit diesem neuen Tensorprodukt-Ansatz, um zu sehen, welcher eine bessere Karte für den Regler erstellen konnte.

Die Ergebnisse der Computersimulationen zeigten, dass beide Methoden innerhalb des Bereichs der gesehenen Daten gut funktionierten. Die Modelle konnten vorhersagen, wie das System reagieren würde, was es einem Regelalgorithmus ermöglichte, der auf einem Prinzip namens „Computed Torque Control“ basiert, die Populationen zu einer Zielzahl zu führen. Diese Steuerungsmethode arbeitet dadurch, dass sie ständig die Differenz zwischen dem Ist-Zustand des Systems und dem Soll-Zustand berechnet und dann eine Korrekturkraft anwendt, um diese Lücke zu schließen. In den Simulationen konnten sowohl das Polynommodell als auch das Tensorproduktmodell die Räuber- und Beutepopulationen erfolgreich stabil auf den gewünschten Werten halten, mit sehr geringen Fehlern. Das Tensorproduktmodell zeigte in diesem speziellen, einfachen Fall einen leichten Nachteil: Da das System nur zwei Variablen hatte (Räuber und Beute), erforderte die Tensor-Methode tatsächlich die Speicherung von mehr Zahlen als die Polynom-Methode. Die Forscher merkten an, dass der Vorteil des Tensor-Ansatzes wahrscheinlich erst in viel komplexeren Systemen mit wesentlich mehr Variablen zum Tragen kommt, wo die traditionelle Methode zu schwerfällig und langsam wäre.

Um zu beweisen, dass dies nicht nur eine Computerfantasie war, baute Varga eine physische Version des Experiments unter Verwendung eines analogen Computers, eines Geräts, das elektrische Schaltkreise verwendet, um mathematische Beziehungen in Echtzeit zu simulieren. Er verband diese Hardware mit einem modernen industriellen Regler und schuf so ein Hybridsystem, bei dem der physikalische Schaltkreis die Räuber-Beute-Dynamik darstellte und der digitale Regler die Korrekturen anwandte. Der Aufbau beinhaltete Spannungssignale, die die Populationen repräsentierten, wobei positive Spannungen die Population erhöhten und negative Spannungen die Jagd oder Entfernung darstellten. Der Regler nutzte das Tensorprodukt-Modell, das in seinem Speicher geladen war, um die notwendigen Anpassungen zu berechnen. Wenn das System allein gelassen wurde, oszillierten die Populationen wie erwartet. Aber als der Regler eingeschaltet wurde, führte er die Populationen erfolgreich von ihren chaotischen Ausgangspunkten zu den spezifischen, stabilen Werten, die der Forscher gewählt hatte.

Das physische Experiment bestätigte, dass der datengesteuerte Ansatz in der realen Welt funktioniert, nicht nur in der Theorie. Der Regler gelang es, die Populationen zu stabilisieren, obwohl das Tracking etwas weniger perfekt war als in den Computersimulationen, was typisch ist, wenn man von einer sauberen digitalen Umgebung in eine physische Umgebung mit elektrischem Rauschen und Hardwarebeschränkungen übergeht. Die Forscher fanden heraus, dass das System verschiedene Zielwerte handhaben konnte, indem es die Populationen reibungslos zu neuen stationären Zuständen bewegte. Sie demonstrierten auch, dass der Regler in der Lage war, sich in Echtzeit an wechselnde Zielwerte anzupassen, eine entscheidende Fähigkeit für praktische Anwendungen. Die Studie kam zu dem Schluss, dass auch wenn die Tensorprodukt-Methode keinen Speicher-Vorteil für dieses einfache Zwei-Variablen-System bot, die gesamte Methodik, ein Modell direkt aus Messungen aufzubauen und es zur Steuerung zu nutzen, robust und effektiv ist.

Die Arbeit unterstreicht einen Wandel in der Art und Weise, wie Ingenieure komplexe Systeme angehen könnten. Anstatt Jahre damit zu verbringen, exakte Gleichungen für jede biologische oder chemische Interaktion abzuleiten, ist es möglich, das System zu beobachten, sein Verhalten aus den Daten zu lernen und ein funktionierendes Modell „on the fly“ zu konstruieren. Dieser Ansatz ist besonders leistungsfähig für Systeme, bei denen die zugrunde liegende Physik zu kompliziert ist, um sie perfekt aufzuschreiben, aber deren Verhalten gemessen werden kann. Die Studie legt nahe, dass für einfachere Systeme traditionelle Methoden immer noch ausreichend sein könnten, aber wenn Systeme an Komplexität zunehmen, könnte die Fähigkeit, das Verhalten in handhabbare, gewichtete Komponenten zu zerlegen, essenziell werden. Die Forschung steht als Beweis dafür, dass datengesteuerte Modellierung die unvorhersehbaren Rhythmen der Natur erfolgreich bändigen kann und ein neues Werkzeug für die Verwaltung von allem – von Wildtierpopulationen bis hin zu industriellen Prozessen – bietet.