A data-driven model-free physical-informed deep operator network for solving nonlinear dynamic system

Resumen Técnico: Red de Operadores Profundos (DeepOnet) Guiada por Física, Libre de Modelos y Basada en Datos para Sistemas Dinámicos No Lineales

1. Planteamiento del Problema

En el análisis de sistemas dinámicos, la estimación y predicción de estados es fundamental. Sin embargo, existen desafíos significativos en escenarios donde:

• Falta de información del modelo: No se dispone de la fórmula matemática exacta (ecuaciones diferenciales) que gobierna el sistema, aunque se conoce su orden (ej. es un sistema de segundo orden).
• Escasez de datos: Es difícil obtener grandes volúmenes de datos experimentales debido a los altos costos o limitaciones prácticas, quedando restringidos a pocos puntos de datos.

Los enfoques existentes, como las Redes Neuronales Informadas por Física (PINN), requieren conocer las leyes físicas exactas para integrarlas en la función de pérdida. Por otro lado, las Redes de Operadores Profundos (DeepOnet) son potentes para mapear espacios funcionales pero dependen típicamente de grandes conjuntos de datos para entrenarse, fallando cuando los datos son escasos. El objetivo de este trabajo es desarrollar un marco que funcione eficazmente bajo ambas restricciones simultáneas: datos limitados y conocimiento del modelo incompleto.

2. Metodología Propuesta

Los autores proponen un marco de DeepOnet Informado por Física, Libre de Modelos y Basado en Datos. La metodología se basa en tres pilares principales:

• Dependencia a Corto Plazo (Short-term Dependency):
  Basándose en el Teorema 2.1, los autores establecen que para sistemas dinámicos no lineales definidos por Ecuaciones Diferenciales Ordinarias (ODE) de orden $n$, el estado actual depende únicamente de los $n$ pasos anteriores de estados y entradas de control, siempre que el periodo de muestreo sea suficientemente pequeño. Esto permite aproximar la dinámica del sistema sin conocer la función $F$ exacta de la ODE.

• Modelo Sustituto (Surrogate Model) para Extraer la Física:
  Dado que no se conoce la ecuación exacta, se utiliza un modelo de aprendizaje automático (una Red Neuronal Feed-Forward, FFNN) para aprender la "dependencia a corto plazo" a partir de los pocos datos disponibles.

  • Entradas del FFNN: Estados pasados ($x(t-n) \dots x(t-1)$) y entradas de control pasadas.
  • Salida del FFNN: Predicción del valor de la derivada de orden más alto ($d^n x/dt^n$).
  • Este modelo actúa como un "sustituto" de la ley física desconocida.

• Arquitectura Híbrida DeepOnet:
  Se integra el modelo sustituto dentro de una arquitectura DeepOnet estándar (compuesta por una red de ramas y una red de tronco):

  • Red de Ramas (Branch Net): Codifica el estado inicial y la secuencia de entradas de control.
  • Red de Tronco (Trunk Net): Codifica las coordenadas espacio-temporales (tiempo $t$).
  • Función de Pérdida Híbrida: El entrenamiento minimiza una función de pérdida compuesta por:
    1. Pérdida de Datos ($L_{data}$): Diferencia entre la predicción del DeepOnet y los datos reales observados.
    2. Pérdida Informada por Física ($L_P$): Se calcula utilizando diferenciación automática sobre la salida del DeepOnet para obtener derivadas. Luego, se alimenta el modelo sustituto (FFNN) con estas derivadas para predecir la derivada de orden superior. La pérdida se define como la discrepancia entre la derivada calculada directamente por el DeepOnet y la predicha por el modelo sustituto.

3. Contribuciones Clave

• Enfoque Libre de Modelos con Guía Física: Logra incorporar principios físicos (dinámica temporal) sin requerir la formulación matemática explícita del sistema, utilizando en su lugar la estructura de dependencia temporal aprendida de los datos.
• Eficiencia con Datos Escasos: Demuestra que es posible entrenar modelos de operadores profundos con conjuntos de datos muy pequeños (ej. 5-10 conjuntos de entrenamiento) mediante el uso de la información estructural de la dependencia a corto plazo.
• Robustez ante Ruido: El método integra filtros de suavizado (Savitzky-Golay) y la estructura física implícita para mantener la precisión incluso cuando los datos experimentales contienen ruido de medición.

4. Resultados Experimentales

Los autores validaron su método en tres sistemas dinámicos no lineales de diferentes complejidades (orden 2 y 3), comparándolo con un DeepOnet estándar (benchmark):

1. Sistema de Péndulo (2º orden):
   • Sin ruido: El método propuesto logró un Error Absoluto Medio (MAE) de 6.23, superando significativamente al DeepOnet estándar (MAE 17.98).
   • Con ruido: El método propuesto mantuvo un MAE de 7.57 frente a 19.27 del DeepOnet.
2. Oscilador Forzado (2º orden, inestabilidad marginal):
   • Sin ruido: MAE de 16.69 (propuesto) vs. 36.22 (DeepOnet).
   • Con ruido: MAE de 19.10 (propuesto) vs. 39.46 (DeepOnet).
3. Sistema Caótico Jerk (3º orden):
   • Sin ruido: MAE de 19.8 (propuesto) vs. 10.5 (DeepOnet). Nota: En este caso específico sin ruido, el DeepOnet tuvo un error menor, pero el texto indica que el método propuesto mostró mayor precisión y fiabilidad general en la comparación cualitativa y en la robustez.
   • Con ruido: MAE de 18.7 (propuesto) vs. 22.2 (DeepOnet). Aquí el método propuesto superó claramente al benchmark.

En general, el método propuesto mostró una mayor consistencia, menor error en la mayoría de los casos y una mejor capacidad de generalización ante datos ruidosos y condiciones no vistas.

5. Significado e Impacto

Este trabajo representa un avance significativo en la estimación de estados en sistemas dinámicos offline. Su importancia radica en:

• Puente entre Modelos y Datos: Ofrece una solución práctica para escenarios del mundo real donde los ingenieros conocen el orden de un sistema pero no sus ecuaciones exactas, y donde la recolección de datos masivos es inviable.
• Aplicabilidad Industrial: Al ser robusto frente al ruido y funcionar con pocos datos, es altamente aplicable en sectores como la ingeniería mecánica, control de procesos y monitoreo de salud estructural, donde los datos experimentales son costosos y ruidosos.
• Nueva Dirección en DeepOnet: Establece un nuevo paradigma para las redes de operadores, demostrando que la "información física" puede derivarse de la estructura temporal de los datos mismos, no solo de ecuaciones diferenciales predefinidas.