Resumen Técnico: Gemelos Digitales Conscientes de la Incertidumbre mediante MPC Robusto y Aprendizaje de Cuantiles Profundo

Definición del Problema

Los Gemelos Digitales (DT, por sus siglas en inglés) ofrecen un paradigma para el monitoreo en tiempo real y el control proactivo de sistemas físicos mediante el mantenimiento de una réplica virtual. Un desafío crítico en el despliegue de DTs para sistemas autónomos es lograr la toma de decisiones en tiempo real bajo condiciones de incertidumbre. Si bien el Control Predictivo basado en Modelo (MPC) es un enfoque estándar para optimizar el rendimiento del sistema basándose en predicciones, el MPC tradicional suele depender de modelos deterministas o métodos de cuantificación de la incertidumbre (UQ) computacionalmente costosos.

Los enfoques de MPC basados en aprendizaje existentes enfrentan dos obstáculos principales:

1. Costo Computacional de la UQ: Las técnicas estándar de UQ para redes neuronales (por ejemplo, dropout de Monte Carlo, ensambles, redes neuronales bayesianas) dependen del muestreo, lo que requiere múltiples pasos de propagación hacia adelante (forward passes) y suele ser demasiado lento para un MPC en tiempo real.
   2.Ineficiencia de la Predicción: Los MPC basados en datos convencionales suelen utilizar predictores de un solo paso hacia adelante que deben desplegarse recursivamente para generar una trayectoria completa. Este proceso recursivo es computacionalmente pesado y puede conducir a límites de incertidumbre excesivamente conservadores debido a la propagación del error.
2. Suposiciones Distribucionales: Muchos métodos de MPC robusto asumen distribuciones de perturbación específicas (por ejemplo, Gaussianas) o conjuntos acotados, los cuales pueden no cumplirse para sistemas no lineales complejos con ruido desconocido o no gaussiano (incertidumbre aleatoria).

El artículo aborda la necesidad de un marco que integre la predicción de múltiples pasos hacia adelante, la cuantificación de la incertidumbre eficiente y el manejo robusto de restricciones para permitir la toma de decisiones en tiempo real y consciente de la incertidumbre en los Gemelos Digitales.

Metodología

El marco propuesto, denominado MPC Robusto de Múltiples Pasos Simultáneos, integra tres componentes principales: un modelo subrogado de Codificador Denso de Series Temporales (TiDE), Aprendizaje de Cuantiles Profundo y un esquema de optimización acelerado.

1. Modelado Subrogado con TiDE

En lugar de predictores recursivos de un solo paso, el marco emplea TiDE (Time-Series Dense Encoder), una arquitectura de red neuronal profunda diseñada para la previsión de series temporales.

• Arquitectura: TiDE utiliza una estructura de red residual (ResNet) con capas densas paralelas, lo que le permite procesar secuencias completas de entrada como un lote (batch). Esto evita el procesamiento secuencial de las RNN/LSTM y la complejidad cuadrática de los Transformers, asegurando una complejidad de tiempo lineal y una inferencia rápida.
• Estructura de Entrada: TiDE acepta objetivos pasados (estados del sistema), covariables pasadas (entradas pasadas) y covariables futuras (acciones de control planificadas y parámetros estáticos del sistema). Esta estructura le permite funcionar como un subrogado de un sistema dinámico, prediciendo estados futuros condicionados a acciones de control futuras en un solo paso hacia adelante (one-shot).

2. Aprendizaje de Cuantiles Profundo para la Cuantificación de la Incertidumbre

Para abordar el costo computacional de la UQ, el marco reemplaza los métodos basados en muestreo con la Regresión de Cuantiles.

• Mecanismo: El modelo TiDE se entrena utilizando una función de pérdida de cuantiles para predecir simultáneamente la mediana (nominal) y los cuantiles específicos (por ejemplo, los percentiles 5 y 95) que representan los límites de incertidumbre.
• Ventaja: A diferencia de los métodos que asumen distribuciones Gaussianas, la regresión de cuantiles aprende de manera flexible la distribución condicional de los datos sin supuestos previos. Captura directamente la incertidumbre aleatoria (ruido de los datos) a partir de datos de entrenamiento ruidosos, proporcionando intervalos de predicción (PI) en lugar de solo intervalos de confianza (CI).
• Implementación: El tensor de salida se expande para incluir múltiples niveles de cuantiles, permitiendo al modelo predecir la trayectoria completa y sus límites de incertidumbre en un solo paso hacia adelante.

3. Formulación de MPC Robusto

El problema de control se reformula para utilizar los cuantiles aprendidos como buffers de seguridad.

• Reformulación de Restricciones: Las restricciones probabilísticas (por ejemplo, $P(x \in \mathcal{X}) \geq \alpha$) se transforman en restricciones deterministas utilizando los cuantiles superiores e inferiores predichos. Por ejemplo, asegurar que el percentil 95 del estado predicho permanezca dentro del límite físico garantiza que la restricción se cumpla con un 95% de probabilidad.
• Estrechamiento de Restricciones (Constraint Tightening): Para considerar la desviación entre la trayectoria nominal y el estado real del sistema, las restricciones de la entrada de control se estrechan utilizando un controlador lineal auxiliar ($K$). Esto crea un "tubo" alrededor de la trayectoria nominal, asegurando que, incluso con perturbaciones, el sistema permanezca dentro de las regiones factibles.
• Aceleración de la Optimización:
  • Diferenciación Automática: El objetivo y las restricciones del MPC se implementan en PyTorch, lo que permite el cálculo de gradientes analíticos mediante retropropagación.
  • Solucionador L-BFGS: Se utiliza un optimizador basado en gradientes (L-BFGS) para resolver el problema de optimización de manera eficiente.
  • Lagrangiano Aumentado: Para manejar las restricciones sin la sobrecarga computacional de las aproximaciones de derivadas de segundo orden, se emplea el método del Lagrangiano Aumentado para convertir problemas restringidos en problemas no restringidos con términos de penalización.

4. Integración del Gemelo Digital

El marco opera en dos etapas:

1. Etapa 1 (Fuera de línea/Offline): Se recolectan datos ruidosos del sistema y se entrena a TiDE para aprender tanto la dinámica nominal como los cuantiles de incertidumbre.
2. Etapa 2 (En línea/Online): El TiDE entrenado actúa como el sistema virtual. En cada paso de tiempo, el estado del sistema físico se introduce en el modelo virtual. El optimizador de MPC robusto optimiza las entradas de control futuras utilizando las predicciones de cuantiles de múltiples pasos, y la entrada óptima se aplica al sistema físico.

Contribuciones Clave

1. Marco Unificado: El artículo presenta el primer marco que unifica predictores de aprendizaje profundo de múltiples pasos hacia adelante con aprendizaje de cuantiles profundo para un MPC robusto. Esto elimina la necesidad de despliegue recursivo y de UQ basado en muestreo.
2. Cuantificación de la Incertidumbre Eficiente: Demuestra que los cuantiles de aprendizaje profundo pueden cuantificar la incertidumbre de los datos de manera efectiva y computacionalmente eficiente, superando a los métodos tradicionales de UQ basados en muestreo (como ensambles o MC dropout) tanto en velocidad como en precisión para ruido no gaussiano.
3. Toma de Decisiones Robusta: El método formula un problema de optimización determinista que incorpora límites de incertidumbre aprendidos, proporcionando un buffer de seguridad que mejora las tasas de satisfacción de restricciones sin el conservadurismo excesivo del MPC basado en tubos de caso peor (worst-case tube-based MPC).
4. Validación: El enfoque se valida mediante un ejemplo de sistema lineal numérica y un estudio de caso de ingeniería en fabricación aditiva por Deposición de Energía Dirigida (DED), demostrando su eficacia en entornos reales, no lineales y con incertidumbre.

Resultados

Ejemplo Numérico (Sistema Lineal)

• Rendimiento: El MPC robusto propuesto logró una tasa de violación de restricción del 5.8% sobre 1,000 réplicas, en comparación con el 56.3% del MPC nominal y el 6.2% del MPC basado en tubos tradicional.
• Conservadurismo: Aunque el MPC basado en tubos fue ligeramente más conservador (tasa de falla del 6.2%), el método propuesto logró una tasa de falla menor con un margen más pequeño entre la trayectoria y los límites de restricción, lo que indica un control menos conservador y más eficiente.
• Precisión: TiDE capturó con éxito la dinámica del sistema y la distribución de la incertidumbre, con la mediana predicha coincidiendo estrechamente con la verdad de campo (ground truth) y los límites de cuantiles encerrando eficazmente los datos de validación ruidosos.

Estudio de Caso de Ingeniería (Fabricación Aditiva DED)

• Aplicación: El marco se aplicó para controlar la profundidad y la temperatura del charco de fusión en un proceso DED, un paso crítico para prevenir la porosidad.
• Manejo de Restricciones: En presencia de ruido de simulación numérica (que actúa como incertidumbre aleatoria), el MPC robusto mantuvo con éxito la profundidad del charco de fusión dentro del rango de dilución requerido del 10%–30%.
• Compromiso (Trade-off): Aunque el MPC robusto sacrificó algo de rendimiento de seguimiento de referencia ($R^2$ cayó de 0.9730 en el no restringido a 0.6920 en el robusto) en comparación con el MPC restringido nominal, redujo significativamente las violaciones de restricciones. El MPC restringido nominal violaba ocasionalmente las restricciones de profundidad debido a la falta de buffers de seguridad, mientras que el MPC robusto ajustó las entradas de control para acomodar las posibles perturbaciones.
• Eficiencia Computacional: El tiempo de resolución promedio para el MPC robusto fue de 0.1793 segundos por paso (máximo 0.903s) en una CPU de alto rendimiento. Esto es más rápido que tanto el MPC nominal no restringido como el restringido, debido a que el buffer de seguridad limita el espacio de solución factible y reduce el número de iteraciones requeridas para la convergencia.

Significancia y Reivindicaciones

El artículo afirma que este trabajo establece una herramienta potente para aplicaciones de Gemelos Digitales conscientes de la incertidumbre y para el control de procesos en tiempo real. Al combinar la eficiencia computacional de los predictores de múltiples pasos con la flexibilidad del aprendizaje de cuantiles, el método propuesto expande los límites de las capacidades actuales de MPC.

• Control Proactivo: El marco permite estrategias de control proactivas que pueden reaccionar a la retroalimentación y anticipar perturbaciones, en lugar de simplemente reaccionar a los errores.
• Escalabilidad: El método se presenta como una alternativa basada en datos y escalable al MPC robusto basado en física, particularmente útil cuando las dinámicas del sistema son complejas o desconocidas.
• Practicidad: La aplicación exitosa a la fabricación DED demuestra que el método no es meramente teórico, sino aplicable a sistemas de ingeniería de alto riesgo donde la seguridad y la satisfacción de las restricciones son primordiales.

Los autores reconocen modestamente las limitaciones, señalando que la efectividad del marco depende de la calidad de los datos de entrenamiento, puede enfrentar desafíos con sistemas inestables y actualmente carece de pruebas exhaustivas de estabilidad y viabilidad recursiva para la implementación no lineal específica. Se propone trabajo futuro para abordar la adaptación dinámica del modelo subrogado.