⚡ electrical engineering

Control-Oriented System Identification: Classical, Learning, and Physics-Informed Approaches

Este artículo analiza los métodos clásicos, de aprendizaje automático y de identificación de sistemas basados en datos, proponiendo un marco unificado que integra propiedades relevantes para el control e informadas por la física a través de diversas restricciones de optimización para mejorar la explicabilidad del modelo, la eficiencia de muestreo y la provisión de garantías demostrables para la síntesis de control.

Autores originales: S. Sivaranjani, Yuanyuan Shi, Nikolay Atanasov, Thai Duong, Jie Feng, Tim Martin, Yuezhu Xu, Vijay Gupta, Frank Allgöwer

Publicado 2026-07-16

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: S. Sivaranjani, Yuanyuan Shi, Nikolay Atanasov, Thai Duong, Jie Feng, Tim Martin, Yuezhu Xu, Vijay Gupta, Frank Allgöwer

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot cómo caminar, o a un coche autónomo cómo navegar en una tormenta. Podrías simplemente alimentar a la máquina con una montaña de metraje de vídeo y dejar que adivine las reglas de la física por su cuenta. Esto es como dejar que un niño aprenda a montar en bicicleta cayéndose mil veces hasta que finalmente lo comprenda. Funciona, pero es desordenado, lento y, a veces, el niño aprende la lección equivocada, como pensar que está bien pedalear hacia una pared porque aún no se ha chocado contra una.

En el mundo de la ingeniería, esta es la diferencia entre "aprender de los datos" y "aprender con un mapa". El artículo que estás a punto de leer vive en un rincón de la ciencia llamado Identificación de Sistemas Orientada al Control. Piensa en la "Identificación de Sistemas" como el arte de construir un mapa matemático de cómo algo se mueve o cambia. El "Control" es el arte de dirigir esa cosa para que haga lo que quieres. Durante décadas, los ingenieros han tenido un libro de reglas estricto: si quieres dirigir un avión de forma segura, tu mapa debe obedecer las leyes de la física, como la conservación de la energía o el hecho de que no puedes crear algo de la nada. Pero recientemente, han llegado poderosas nuevas herramientas de "aprendizaje automático" que son excelentes para adivinar patrones, pero terribles para seguir reglas. Podrían aprender a volar un avión perfectamente en una simulación, solo para estrellarse en el mundo real porque olvidaron que la gravedad existe. Este artículo plantea una gran pregunta: ¿Podemos enseñar a las máquinas a aprender de los datos mientras las obligamos a respetar las leyes inquebrantables de la física y la seguridad?

El Gran Robo de la Creación de Mapas

Este artículo es una guía turística masiva a través de una bulliciosa ciudad de ideas, mostrándonos cómo construir mejores mapas para las máquinas. Los autores, un equipo de investigadores de universidades de EE. UU. y Alemania, están esencialmente diciendo: "Dejen de permitir que su IA adivine las leyes de la física. Oblíguenla a obedecerlas".

Argumentan que, si bien el aprendizaje automático moderno es increíble para encontrar patrones en datos ruidosos y desordenados, a menudo produce modelos de "caja negra". Estos son como bolas de cristal mágicas: las agitas, te dan una respuesta, pero no tienes idea de por qué. Si esa bola de cristal está controlando un reactor nuclear o un brazo robótico, y empieza a actuar de forma extraña, no sabrás por qué hasta que sea demasiado tarde. El artículo sugiere que necesitamos mezclar la "magia" del aprendizaje automático con las "reglas estrictas" de la teoría de control clásica.

Las Tres Formas de Enseñar a un Robot a Comportarse

Los autores proponen tres formas principales de obligar a un algoritmo de aprendizaje a respetar las reglas del universo, utilizando una analogía simple: imagina que estás entrenando a un perro para que traiga una pelota, pero quieres asegurarte de que nunca corra hacia el tráfico.

Parametrización Directa (Construyendo las Piernas del Perro): Esto es como construir las piernas del perro de modo que físicamente no pueda correr hacia el tráfico. Diseñas la estructura del modelo desde el principio para que solo sepa moverse de formas seguras y compatibles con la física. Por ejemplo, si estás modelando un péndulo, construyes las matemáticas para que deba conservar la energía, tal como lo hace un péndulo real. El artículo muestra que esto funciona de maravilla y es muy eficiente, pero es difícil diseñar estas "piernas especiales" para cada situación posible.
Restricciones Duras (La Cerca Invisible): Esto es como poner una cerca eléctrica invisible alrededor del patio. El perro puede correr por donde quiera, pero si intenta cruzar la línea, recibe una descarga (o en términos matemáticos, ¡la computadora dice "No, eso no está permitido!"). El artículo explica que esto es muy preciso, pero puede ser computacionalmente costoso, como intentar calcular la trayectoria exacta de un millón de perros a la vez. A veces, la cerca se interpone en el camino del aprendizaje de nuevos trucos del perro.
Restricciones Blandas (El Empujoncito Suave): Esto es como darle un premio al perro cada vez que se mantiene en el patio, y un "no" suave cuando se aleja. No prohíbes al perro correr hacia el tráfico, pero haces que sea muy costoso (en términos de "puntos" o "pérdida") hacerlo. Esta es la forma más fácil de añadir reglas a la IA moderna, pero el artículo advierte que no es una garantía. El perro podría seguir corriendo hacia el tráfico si el premio no es lo suficientemente grande.

El Momento del "Ups": Por Qué Solo Adivinar Falla

Una de las partes más divertidas del artículo es un pequeño experimento que realizan para demostrar su punto. Toman un circuito eléctrico simple (un circuito RLC) que es conocido por ser "pasivo" (lo que significa que no puede crear energía de la nada). Introducen datos de este circuito en una herramienta de aprendizaje automático estándar para construir un modelo.

¿El resultado? El nuevo modelo parece perfecto. Predice el comportamiento del circuito con un 99,6% de precisión. Pero cuando los autores comprueban si el modelo respeta la regla de "no crear energía de la nada", descubren que está roto. ¡El modelo piensa que el circuito puede generar energía por sí mismo! Es como un mapa que muestra un atajo a través de una montaña que no existe. El artículo utiliza esto para demostrar que solo ser preciso no es suficiente. Si tu mapa es ligeramente erróneo sobre las leyes de la física, tu robot podría estrellarse.

Las Nuevas Herramientas: IA Informada por la Física

El artículo luego se sumerge en las nuevas y geniales herramientas que los investigadores están utilizando para solucionar esto. Hablan de las Neural ODEs (Ecuaciones Diferenciales Ordinarias Neuronales), que son como una IA que habla el lenguaje del cálculo. En lugar de solo adivinar el siguiente paso, aprenden la tasa de cambio, que es cómo funciona la física real.

También destacan las Redes Neuronales Hamiltonianas, que están diseñadas específicamente para aprender sistemas que conservan la energía, como planetas orbitando un sol o un péndulo oscilando. En un ejemplo, entrenaron una red para aprender la dinámica de un cuadricóptero (un pequeño robot volador). La versión "consciente de la física" aprendió las reglas del vuelo mucho más rápido y con menos datos que la versión de "caja negra". Incluso mantuvo la energía del robot equilibrada, evitando que volara hacia una pared porque pensara que tenía combustible infinito.

El Enfoque "Sin Modelo": Aprendiendo del Rastro

El artículo también explora una idea fascinante llamada Teoría de Sistemas de Comportamiento. Imagina que no sabes cómo funciona un coche, pero tienes un vídeo de él conduciendo. En lugar de intentar adivinar el tamaño del motor o la presión de los neumáticos, simplemente observas el rastro de las huellas de los neumáticos. El artículo explica que puedes verificar si un sistema es seguro o estable simplemente mirando estos rastros, sin necesidad de construir un modelo completo del coche. Es como comprobar si un río es seguro para nadar observando la corriente, en lugar de medir la profundidad del agua en cada punto individual.

El Camino por Delante: Qué Falta Todavía

Los autores son honestos sobre lo que no han resuelto todavía. Señalan que, si bien estamos mejorando en la enseñanza de las reglas de la física a la IA, todavía es muy difícil hacer esto para sistemas complejos y cambiantes (como una red eléctrica que cambia de modo o una red de tráfico que cambia con la hora del día).

También advierten sobre un compromiso. Si haces las reglas demasiado estrictas, la IA podría volverse demasiado rígida para aprender comportas complejas del mundo real. Es como enseñarle a un perro a traer la pelota, pero si le dices "nunca te muevas más de un centímetro", no podrá traer la pelota en absoluto. El artículo sugiere que el futuro reside en encontrar el equilibrio perfecto: un modelo que sea lo suficientemente flexible para aprender de datos desordenados, pero lo suficientemente rígido como para nunca romper las leyes de la física.

La Conclusión

En resumen, este artículo es un llamado a la acción para la próxima generación de ingenieros y científicos. Dice: "No dejen que su IA solo aprenda de los datos. Denle una brújula". Al mezclar el poder del aprendizaje automático con las reglas eternas de la física, podemos construir robots, coches y redes eléctricas que no solo sean inteligentes, sino también seguros, explicables y confiables. El artículo no pretende haberlo resuelto todo, pero proporciona un mapa claro del territorio, mostrándonos exactamente dónde están los acantilados y dónde están los caminos seguros.

Resumen Técnico: Identificación de Sistemas Orientada al Control

1. Planteamiento del Problema

El artículo aborda el desafío de la identificación de sistemas para sistemas dinámicos donde el objetivo principal no es simplemente minimizar el error de predicción en los datos de entrenamiento, sino aprender modelos que preserven propiedades específicas relevantes para el control e informadas por la física.

Si bien los enfoques modernos de aprendizaje automático (ML) sobresalen en la identificación de modelos a partir de datos ruidosos y de alta dimensión, a menudo fallan en garantizar propiedades esenciales para la síntesis de control descendente, tales como la estabilidad, la disipatividad, la monotonicidad y la preservación de la simetría. Por el contrario, la teoría de control clásica depende en gran medida de estas propiedades para proporcionar garantías demostrables para el comportamiento en bucle cerrado (por ejemplo, estabilidad mediante funciones de Lyapunov, escalabilidad mediante disipatividad en sistemas en red). El problema central es que los algoritmos de identificación estándar, incluso cuando logran una alta fidelidad en la aproximación de trayectorias de entrada-salida, no garantizan inherentemente que el modelo aprendido herede estas propiedades estructurales. Como demuestra el artículo, un modelo lineal puede aproximar un sistema pasivo con un 99.6% de precisión y, aun así, no ser pasivo en sí mismo.

El artículo postula que la fusión de la identificación de sistemas con propiedades relevantes para el control proporciona un sesgo inductivo necesario, mejora la explicabilidad, permite garantías de control demostrables y mejora la complejidad de muestreo.

2. Metodología y Marco de Trabajo

Los autores formulan la identificación de sistemas como un problema de optimización con restricciones. Proponen un marco unificado para imponer propiedades relevantes para el control a través de tres mecanismos distintos:

Parametrización Directa: Restringir la estructura del modelo por construcción para satisfacer una propiedad.
- Ejemplos: Redes neuronales Lagrangianas/Hamiltonianas (imposición de la conservación de la energía), Redes Neuronales Convexas de Entrada (imposición de la monotonicidad) y parametrizaciones específicas de funciones de transferencia (imposición de la pasividad).
Restricciones Fuertes (Hard Constraints): Imponer restricciones explícitas en el problema de optimización (por ejemplo, Desigualdades Matriciales Lineales - LMI, Programas Semidefinidos - SDP).
- Ejemplos: Imponer la estabilidad de Lyapunov mediante $A^T P + PA \prec 0$ , o la disipatividad mediante condiciones de disipatividad QSR. El artículo señala que la imposición directa es a menudo computacionalmente costosa, lo que conduce a enfoques de "dos etapas" donde primero se identifica un modelo sin restricciones y luego se realiza una perturbación/proyección para satisfacer las restricciones.
Restricciones Blandas (Soft Constraints/Regularización): Fomentar las propiedades mediante términos de penalización en la función de pérdida.
- Ejemplos: Redes Neuronales Informadas por la Física (PINNs) que minimizan los residuales de las leyes físicas (por ejemplo, la conservación de la energía) junto con los errores de ajuste de datos, o términos de regularización que penalizan los autovalores con partes reales positivas.

La encuesta categoriza la literatura existente en tres corrientes principales:

Identificación de Sistemas Clásica: Técnicas para sistemas lineales y no lineales (por ejemplo, métodos de subespacio, SINDy, operadores de Koopman) adaptadas para preservar propiedades mediante los tres mecanismos anteriores.
Identificación Basada en Aprendizaje Profundo (Deep Learning): Arquitecturas como Neural ODEs, Redes de Equilibrio Recurrente (RENs) y Transformers, modificadas para integrar sesgos físicos o restricciones.
Enfoques Directos Basados en Datos/Comportamiento: Métodos que omiten la identificación explícita del modelo (espacio de estados o función de transferencia) y verifican las propiedades directamente a partir de trayectorias medidas utilizando el Lema Fundamental de Willems y enfoques de Pertenencia a Conjuntos (Set-Membership).

3. Contribuciones Clave y Resultados de la Encuesta

A. Clasificación de Enfoques

El artículo proporciona una taxonomía exhaustiva de los métodos para imponer propiedades relevantes para el control, comparando sus compensaciones (trade-offs) respecto a las garantías, la escalabilidad y la expresividad del modelo.

La Parametrización Directa ofrece garantías sólidas por construcción, pero puede limitar la expresividad del modelo.
Las Restricciones Fuertes proporcionan certificados explícitos (por ejemplo, vía LMIs) pero pueden conducir a problemas computacionalmente intratables o sesgo del modelo si el "mejor ajuste" viola las restricciones.
Las Restricciones Blandas son computacionalmente escalables y fáciles de integrar, pero generalmente ofrecen solo garantías probabilísticas o empíricas, requiriendo verificación post-entrenamiento.

B. Identificación Clásica y No Lineal

Sistemas Lineales: El artículo revisa métodos para imponer estabilidad, pasividad y disipatividad en modelos de espacio de estados y de dominio de frecuencia. Destaca el "enfoque de perturbación" donde un modelo base es ajustado mínimamente para satisfacer las restricciones (por ejemplo, modificando la matriz $C$ en la identificación de un circuito RLC para restaurar la pasividad).
Sistemas No Lineales: La encuesta cubre:
- Operadores de Koopman: Métodos para imponer estabilidad y disipatividad en el modelo lineal elevado (lifted).
- SINDy: Técnicas de identificación dispersa (sparse) aumentadas con restricciones de "atrapamiento" (trapping) para preservar la energía o la estabilidad.
- Modelos Port-Hamiltonianos (PH): Marcos unificados para el modelado basado en la energía que preservan naturalmente la pasividad y las estructuras de interconexión.
- Procesos Gaussianos: Métodos de kernel modificados para asegurar la estabilidad BIBO o para aprender estructuras Lagrangianas/PH.

C. Arquitecturas de Aprendizaje Profundo

El artículo detalla cómo se adaptan las arquitecturas modernas:

Redes Neuronales Hamiltonianas/Lagrangianas: Parametrizan la función de energía en lugar de la dinámica, garantizando la conservación de la energía (o disipación controlada).
Redes Neuronales Monótonas: Arquitecturas (por ejemplo, gradientes de Redes Neuronales Convexas de Entrada) que garantizan la monotonicidad, crucial para sistemas de potencia y redes biológicas.
Redes de Equilibrio Recurrente (RENs): Modelos diseñados para ser contractivos y disipativos por construcción, ofreciendo garantías de estabilidad sin proyección iterativa.
Redes Neuronales Informadas por la Física (PINNs): Utilizan restricciones blandas para integrar leyes físicas (por ejemplo, ecuaciones de transferencia de calor en la dinámica de edificios) en la función de pérdida, superando a menudo a los modelos de caja negra en predicciones de largo horizonte.

D. Verificación Directa (Comportamiento y Pertenencia a Conjuntos)

Una parte significativa del artículo se dedica a la verificación basada en datos sin identificación explícita del modelo:

Marco de Comportamiento: Uso del Lema Fundamental de Willems para verificar la disipatividad directamente desde una sola trayectoria de entrada-salida mediante Desigualdades Matriciales Lineales (LMIs).
Enfoques de Pertenencia a Conjuntos (Set-Membership): Definición de un conjunto de todos los sistemas consistentes con datos ruidosos (una aproximación exterior elipsoidal). Se utilizan entonces técnicas de control robusto (Procedimiento S) para verificar si todos los sistemas en este conjunto satisfacen una propiedad (por ejemplo, límites de ganancia $L_2$ ). Esto proporciona garantías rigurosas incluso con datos ruidosos.

4. Ilustraciones Experimentales

El artículo sustenta su encuesta con varios ejemplos expositivos (con código disponible en un repositorio público):

Dinámica de Péndulo: Comparación de una Neural ODE de caja negra frente a una Neural ODE basada en Hamiltonianos. El modelo informado por la física converge más rápido, preserva la conservación de la energía y satisface las restricciones de la variedad $SO(3)$, mientras que el modelo de caja negra deriva.
Circuito RLC: Demostración de que una herramienta estándar de identificación de sistemas produce un modelo no pasivo a pesar de un alto ajuste, y muestra cómo un método de perturbación restaura la pasividad.
Oscilador de Duffing: Comparación de modelos de Koopman con y sin restricciones de estabilidad suaves. El modelo restringido permanece estable, mientras que el no restringido diverge.
Sistema de Potencia: Ilustración de Redes Neuronales Monótonas para el control de voltaje, mostrando que, si bien logran una precisión comparable a las MLP estándar, requieren un entrenamiento cuidadoso y ofrecen garantías estructurales.
Dinámica Térmica de Edificios: Demostración de que las PINNs (que incorporan la física de resistencia-capacitancia) superan a las redes neuronales estándar en el pronóstico de temperatura a largo plazo.

5. Significado y Direcciones Futuras

El artículo sostiene que la identificación orientada al control debe verse no solo como un problema de aproximación de funciones, sino como un problema de selección de modelos donde preservar las propiedades estructurales es primordial para la seguridad, la interpretabilidad y la síntesis de control.

Significado:

Cierra la brecha entre la teoría de control clásica (que depende de propiedades estructurales) y el aprendizaje automático moderno (que depende de la flexibilidad impulsada por datos).
Proporciona una hoja de ruta para que los investigadores seleccionen estrategias de identificación apropiadas según si necesitan garantías estrictas (restricciones fuertes), escalabilidad (restricciones blandas) o sesgos estructurales específicos (parametrización directa).
Destaca que el aprendizaje automático "estándar" es insuficiente para aplicaciones de control sin estos sesgos inductivos.

Direcciones Futuras Identificadas:

Sistemas en Red: Identificación de modelos que preserven tanto la estructura de grafo como las propiedades de control (por ejemplo, la monotonicidad) en redes a gran escala.
Sistemas Conmutados y de Tiempo Variable: Extensión de la identificación a sistemas con señales de conmutación desconocidas o dinámicas variantes en el tiempo, preservando propiedades como la disipatividad.
Diseño de Experimentos: Desarrollo de estrategias de diseño de entradas que exciten simultáneamente los modos del sistema y aseguren que los datos resultantes permitan la identificación de propiedades relevantes para el control.
Puente de Representaciones: Creación de un marco unificado que fusione las garantías rigurosas de las representaciones de comportamiento/pertenencia a conjuntos con la flexibilidad de las aproximaciones de aprendizaje profundo.
Compensaciones (Trade-offs): Investigación adicional sobre el compromiso entre sesgo y varianza al imponer restricciones estructurales, específicamente respecto a los teoremas de aproximación universal para clases de modelos estructurados.

El artículo concluye que, si bien se han logrado avances significativos, el campo requiere más trabajo en algoritmos escalables para sistemas complejos, en red y variantes en el tiempo, así como en bancos de pruebas estandarizados para comparar los enfoques de datos y los orientados al control.