⚡ electrical engineering

Koopman-based Estimation of Lyapunov Functions: Theory on a Reproducing Kernel Hilbert Space

Este artículo presenta un marco teórico en espacios de Hilbert con núcleo reproductor (RKHS) para estimar funciones de Lyapunov basadas en el operador de Koopman mediante una ecuación algebraica de Lyapunov, estableciendo y verificando los límites de error de esta estimación a través de la teoría del aprendizaje estadístico.

Autores originales: Wentao Tang, Xiuzhen Ye

Publicado 2026-03-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Wentao Tang, Xiuzhen Ye

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 tienes un sistema complejo, como el clima, el tráfico en una ciudad o el movimiento de un robot. Estos sistemas son no lineales, lo que significa que son caóticos, impredecibles y muy difíciles de modelar con fórmulas simples. Es como intentar predecir el futuro de un río que cambia de curso constantemente.

Los ingenieros y científicos suelen querer "linearizar" estos sistemas (hacerlos parecer rectos y predecibles) para poder controlarlos o asegurar que no se vuelvan locos. Pero hacerlo bien es un desafío enorme.

Aquí es donde entra este artículo, que propone una nueva forma de ver estos problemas usando una herramienta matemática llamada Operador de Koopman. Vamos a desglosarlo con analogías sencillas:

1. El Problema: Ver el caos desde una perspectiva mágica

Imagina que el sistema no lineal es un espejo deformado (como los de los parques de atracciones). Si lanzas una pelota, su trayectoria en el espejo se ve loca y curvada.

La idea del Operador de Koopman: En lugar de intentar seguir la pelota torcida, el Operador de Koopman te da unas gafas mágicas que transforman esa visión distorsionada en una línea recta perfecta.
El truco: Para que estas gafas funcionen, necesitas elegir el "lente" correcto (un espacio matemático llamado Espacio de Hilbert con Núcleo Reproductor o RKHS). Si eliges el lente equivocado, la imagen sigue siendo borrosa y no puedes saber si el sistema es estable (seguro) o inestable (peligroso).

2. La Innovación: El Lente "Lineal-Radial"

En trabajos anteriores, los autores descubrieron que para ver la estabilidad de un sistema (es decir, si todo vuelve a su lugar de origen como un resorte), necesitaban un lente especial.

La analogía: Imagina que el sistema tiene un punto de equilibrio (el centro de la ciudad). Los lentes antiguos no podían "oler" si estabas cerca o lejos de ese centro.
La solución: Crearon un lente híbrido (Lineal-Radial). Es como tener una lupa que te dice: "Si estás cerca del centro, el sistema se comporta como una línea recta simple; si te alejas, el lente se adapta para capturar la complejidad global".
El resultado: Con este lente, pueden demostrar matemáticamente que si el sistema es estable, todas las "frecuencias" (espectro) del sistema caben dentro de un círculo pequeño. Si el sistema se vuelve inestable, esas frecuencias se escapan del círculo. ¡Es como un semáforo matemático!

3. El Objetivo: Encontrar la "Función de Lyapunov" (El Mapa de Seguridad)

En ingeniería, para saber si un sistema es seguro, usamos algo llamado Función de Lyapunov.

La analogía: Imagina que el sistema es una bola rodando por un paisaje. La función de Lyapunov es como un mapa de alturas.
- Si el mapa muestra que la bola siempre rueda hacia abajo hacia un valle (el punto de equilibrio), el sistema es seguro.
- Si el mapa muestra que la bola puede rodar hacia un precipicio, es peligroso.
El desafío: Calcular este mapa para sistemas no lineales es como intentar dibujar un mapa topográfico de una montaña sin herramientas de topografía, solo con datos de dónde ha estado la bola.

4. La Solución Propuesta: "Adivinar" el Mapa con Datos

El artículo propone un método para construir este mapa de seguridad usando solo datos (sin necesidad de conocer las ecuaciones exactas del sistema).

Aprendizaje de la "gafas mágicas": Usan datos reales (trayectorias de la bola) para aprender cómo funciona el Operador de Koopman con su lente especial. Esto se llama kEDMD (una técnica de aprendizaje automático).
La Ecuación Maestra: Una vez que tienen el operador, resuelven una ecuación algebraica (como un rompecabezas matemático) que les dice exactamente cómo debe ser el mapa de alturas (la función de Lyapunov) para que la bola siempre baje.
Garantía de Error: Lo más importante es que los autores no solo dicen "funciona", sino que demuestran matemáticamente cuánto se equivocará su mapa si los datos no son perfectos. Es como decir: "Si mis datos tienen un 5% de ruido, mi mapa de seguridad tendrá un error máximo del X%".

5. El Experimento: Probando en la vida real

Para probar su teoría, usaron un sistema no lineal famoso (la ecuación de Liénard, que modela oscilaciones en circuitos eléctricos o biológicos).

Lo que hicieron: Simularon 50 trayectorias aleatorias, alimentaron los datos a su algoritmo y "dibujaron" el mapa de seguridad.
El resultado: El mapa que generó su computadora se parecía muchísimo al mapa real (calculado por simulación pesada). Incluso capturó las curvas extrañas que un sistema lineal simple no podría ver.

En Resumen

Este papel es como un manual de instrucciones para construir un sistema de seguridad automático para máquinas complejas.

Antes: Era difícil saber si un sistema no lineal era seguro porque las matemáticas eran demasiado complicadas.
Ahora: Usando "lentes matemáticos" especiales y datos, podemos dibujar un mapa de seguridad que nos garantiza que el sistema volverá a su estado de calma, incluso si no conocemos todas las reglas del juego.

Es un paso gigante hacia el control de robots, vehículos autónomos y procesos industriales que deben ser seguros y predecibles, aprendiendo directamente de la experiencia (datos) en lugar de depender solo de teorías abstractas.

A continuación presento un resumen técnico detallado del artículo "Koopman-based Estimation of Lyapunov Functions: Theory on a Reproducing Kernel Hilbert Space" en español, estructurado según los puntos solicitados.

1. El Problema

Los sistemas no lineales son omnipresentes en ingeniería, pero a menudo carecen de modelos precisos derivados de primeros principios. La teoría del Operador de Koopman ofrece una descripción lineal global de estos sistemas no lineales, mapeando funciones dependientes del estado a través de la dinámica. Sin embargo, existen desafíos críticos para utilizar este operador en el análisis de estabilidad y control:

Relación Espectro-Estabilidad Elusiva: En sistemas lineales finitos, si el radio espectral es menor que 1, el sistema es estable. Para el Operador de Koopman (que actúa en espacios de funciones de dimensión infinita), esta relación no es trivial. La elección del espacio de funciones y la función de núcleo (kernel) afecta el espectro; en muchos casos, el espectro puede permanecer fuera del disco unitario incluso si el sistema es estable, lo que impide garantizar la estabilidad.
Falta de un Marco Teórico Universal: La construcción de una teoría universal para el control basado en Koopman se ha visto obstaculizada por la dificultad de definir un espacio de funciones invariante que capture tanto la regularidad de la dinámica como la existencia de puntos de equilibrio estables.
Estimación de Funciones de Lyapunov: No existe un método general y riguroso para estimar funciones de Lyapunov (esenciales para probar estabilidad) directamente desde datos utilizando el operador de Koopman, especialmente cuando se requiere una tasa de decaimiento específica.

2. Metodología

Los autores proponen un marco teórico y algorítmico basado en Espacios de Hilbert de Núcleo Reproductivo (RKHS) para resolver estos problemas:

Definición del Operador en RKHS: En lugar de usar espacios de funciones estándar (como $L^2$ o polinomios), definen el Operador de Koopman en un RKHS.
Núcleo Producto Lineal-Radial: Para abordar la relación espectro-estabilidad, utilizan un núcleo compuesto por un núcleo lineal ( $\kappa_-(x, x') = x \cdot x'$ $κ_{-} (x, x^{'}) = x \cdot x^{'}$ ) y un núcleo radial de Wendland ( $\kappa_=(x, x') = \rho(|x-x'|)$ $κ_{=} (x, x^{'}) = ρ (∣ x - x^{'} ∣)$ ).
- El núcleo lineal captura el comportamiento local cerca del punto de equilibrio (origen).
- El núcleo radial garantiza la regularidad global de la dinámica.
- Esta combinación asegura que, si el origen es un punto de equilibrio asintóticamente estable, el radio espectral del operador de Koopman sea estrictamente menor que 1.
Formulación de la Ecuación de Lyapunov Algebraica de Operadores (ALE):
- Representan la función de Lyapunov $v(x)$ y la función de tasa de decaimiento $w(x)$ como "formas cuadráticas de núcleo" definidas por operadores positivos en el RKHS.
- Plantean el problema como la resolución de una Ecuación Algebraica de Lyapunov de Operadores: $APA^* - P = -Q$ , donde $A$ es el operador de Koopman, $Q$ define la tasa de decaimiento y $P$ define la función de Lyapunov.
Estimación Basada en Datos (kEDMD y KRR):
- Utilizan la Descomposición Modal Dinámica Extendida con Núcleo (kEDMD) para estimar el operador de Koopman $\hat{A}$ a partir de datos.
- Utilizan Regresión de Cresta con Núcleo (KRR) para estimar el operador $Q$ que define la tasa de decaimiento.
- Resuelven una ecuación de Lyapunov matricial discreta derivada de los estimadores para obtener la aproximación de la función de Lyapunov.

3. Contribuciones Clave

El artículo aporta los siguientes avances teóricos y prácticos:

Teorema de Relación Espectro-Estabilidad Riguroso: Demuestran que, bajo el uso del núcleo producto lineal-radial, el radio espectral del operador de Koopman es menor que 1 si y solo si el punto de equilibrio es asintóticamente estable. Esto cierra la brecha teórica entre la estabilidad del sistema no lineal y las propiedades espectrales del operador linealizado.
Existencia y Unicidad de la Solución: Prueban que, dado que el radio espectral es menor que 1, la Ecuación Algebraica de Lyapunov de Operadores tiene una solución única que puede expresarse como una serie infinita convergente de operadores de Hilbert-Schmidt. Esto establece un teorema de Lyapunov inverso en el contexto de RKHS.
Acotación del Error de Estimación: Establecen límites teóricos para el error de la función de Lyapunov estimada. Demuestran que el error en la estimación de $P$ es proporcional al error de aprendizaje del operador de Koopman y al error en la estimación de la tasa de decaimiento, basándose en la teoría del aprendizaje estadístico.
Método de Datos sin Modelo: Proporcionan un algoritmo completo que permite calcular una función de Lyapunov válida para un sistema no lineal desconocido utilizando únicamente datos de trayectorias, sin necesidad de conocer la dinámica subyacente ( $f$ ).

4. Resultados

Los autores validaron su enfoque mediante un estudio numérico en un sistema no lineal no polinomial (la ecuación de Liénard):

Simulación: Se generaron 50 trayectorias de datos a partir de un sistema continuo discretizado.
Estimación del Operador: El operador de Koopman estimado ( $\hat{A}$ ) mostró un espectro confinado dentro del disco unitario, confirmando la estabilidad del sistema y la validez del método.
Función de Lyapunov: Se estimó la función de Lyapunov $\hat{v}(x)$ $\overset{v}{^} (x)$ comparándola con la función verdadera obtenida por simulación numérica.
- El resultado mostró que la forma de contorno de la función estimada coincide aproximadamente con la verdadera.
- Se observó que, aunque la función se asemeja a una elipsoide (como en sistemas lineales), la desviación en valores lejos del origen (ej. en el punto $(1,1)$ ) revela la no linealidad del sistema, demostrando que el método captura la dinámica no lineal más allá de una simple linealización.
Convergencia: Los resultados confirman que el método converge a la solución correcta a medida que aumenta la cantidad de datos.

5. Significado e Impacto

Este trabajo es fundamental para el avance del control y observación de sistemas no lineales basados en datos:

Fundamento Teórico: Proporciona la primera base teórica rigurosa que conecta directamente la estabilidad de un sistema no lineal con el espectro del operador de Koopman en un espacio de funciones adecuado, superando las limitaciones de los enfoques anteriores que carecían de garantías de estabilidad.
Viabilidad del Control Basado en Datos: Al demostrar que se puede estimar una función de Lyapunov (el "Santo Grial" del análisis de estabilidad) directamente desde datos con garantías de error, habilita el diseño de controladores robustos y observadores para sistemas complejos donde los modelos físicos son desconocidos o demasiado difíciles de derivar.
Escalabilidad: El uso de RKHS y métodos de aprendizaje automático (kEDMD, KRR) permite aplicar esta teoría a sistemas de alta dimensión sin la necesidad de seleccionar manualmente bases de funciones, lo cual es un cuello de botella en métodos tradicionales.

En resumen, el artículo transforma el operador de Koopman de una herramienta puramente descriptiva a un marco analítico riguroso para la estabilidad y el control de sistemas no lineales, ofreciendo un camino viable hacia estrategias de control "data-driven" universalmente aplicables.