Randomized Atomic Feature Models for Physics-Informed Identification of Dynamic Systems

Resumen Técnico: Modelos de Características Atómicas Aleatorizadas para la Identificación Física de Sistemas Dinámicos

1. Planteamiento del Problema

La identificación de sistemas se sitúa en la intersección del aprendizaje basado en datos y la modelización física. Los métodos existentes generalmente caen en dos categorías, cada una con limitaciones:

• Regresión Escasa (Diccionario Finito): Métodos como la Identificación Escasa de Dinámicas No Lineales (SINDy) utilizan funciones base preseleccionadas. Aunque la estimación se reduce a mínimos cuadrados lineales con penalizaciones de escasez, incorporar priores físicos (estabilidad, pasividad, límites de ganancia en corriente continua, tiempos de establecimiento) requiere funciones base personalizadas o restricciones complejas, lo que a menudo destruye la simplicidad de la formulación original.
• Regularización por Núcleos (Diccionario Infinito): Los métodos que utilizan Espacios de Hilbert de Núcleo Reproductor (RKHS) con núcleos como Tuned-Correlated (TC) o Stable-Spline manejan implícitamente diccionarios infinitos y codifican la estabilidad. Sin embargo, los átomos están ocultos, la matriz de Gram escala con el tamaño de los datos, y la imposición simultánea de múltiples restricciones de ingeniería duras a menudo requiere rediseñar el núcleo o resolver problemas híbridos.

El artículo aborda la necesidad de un marco que una estos enfoques: uno que conserve la interpretabilidad de los diccionarios modales explícitos, la escalabilidad de las características aleatorizadas y la capacidad de imponer diversas restricciones físicas dentro de un único problema de optimización convexa.

2. Metodología

Los autores proponen Características Atómicas Aleatorizadas (RAF) basadas en características atómicas estables muestreadas a partir de un disco prescrito en el plano complejo.

Representación Central:
La respuesta al impulso $h(t)$ se aproxima como una superposición aleatoria de átomos estables (exponenciales complejas amortiguadas):
$$h(t) \approx \sum_{m=1}^M c_m p_m^t, \quad |p_m| \le \rho < 1$$
donde los polos $p_m$ se muestrean de una distribución sobre un disco admisible, y los residuos $c_m$ se aprenden a partir de los datos.

Marco Matemático:

• Gauge Atómico: El método define un gauge atómico finito $\gamma_{M,T}$ inducido por los polos muestreados. Se demuestra que la penalización $\ell_1$ en la regresión es exactamente esta penalización de gauge atómico finito.
• Conexión con Núcleos: El núcleo empírico formado por los polos muestreados aproxima un núcleo continuo soportado en un disco $K_\mu(s,t) = \int_{|p|\le\rho} p^s \bar{p}^t d\mu(p)$. Esto conecta el enfoque con los núcleos Locales Estacionarios Modulados en Amplitud (AMLS), proporcionando una interpretación de características aleatorias para un RKHS modal estable.
• Optimización Convexa: La identificación se plantea como un problema de mínimos cuadrados regularizado:
  $$\min_{c,D} \frac{1}{2}\|y - Xc - Du\|_2^2 + \lambda \Omega(c)$$
  donde $X$ es la matriz de diseño de átomos convolucionados. Crucialmente, las ubicaciones de los polos se fijan durante esta etapa convexa, haciendo que el problema sea tratable.

Restricciones Informadas por la Física:
El marco permite imponer priores físicos ya sea mediante la ley de muestreo (por ejemplo, restringiendo los polos a sectores específicos o regiones anulares) o mediante restricciones convexas sobre los residuos y los términos de paso directo. Las restricciones soportadas incluyen:

• Márgenes de estabilidad (mediante $|p_m| \le \rho$).
• Presupuestos de tiempo de establecimiento y cola (mediante cotas de cola $\ell_1$).
• Límites de ganancia en corriente continua y parámetros de Markov.
• Pasividad (mediante LMI KYP).
• Monotonía y ausencia de sobrepaso (mediante restricciones de signo en polos reales).
• Máscaras de respuesta en frecuencia (mediante restricciones SOCP o LMI).

3. Contribuciones Clave

El artículo presenta cinco contribuciones teóricas y prácticas principales:

1. Unificación: Unifica diccionarios modales finitos, regularización por núcleos y características atómicas aleatorizadas a través del concepto de medidas de polos soportadas en disco.
2. Teorema Disco–Bochner: Los autores demuestran un nuevo resultado de teoría de operadores. Muestran que medidas positivas sobre polos estables generan núcleos definidos positivos con un defecto de desplazamiento dependiente del radio. Por el contrario, demuestran que una representación de momento de disco escalar para un núcleo arbitrario existe si y solo si el desplazamiento canónico asociado con el núcleo es subnormal. Esto distingue la contractividad simple de la estructura espectral más fuerte requerida para una representación de medida escalar.
3. Conexión Nevanlinna–Pick (NP): El artículo establece una conexión consistente entre el marco RAF y la interpolación NP. Demuestra que las funciones de transferencia normalizadas que satisfacen restricciones de ganancia pueden parametrizarse mediante Transformaciones Fraccionales Lineales (LFT), permitiendo que el modelo RAF sirva como una aproximación interna del problema de pertenencia al conjunto de Schur.
4. Recuperación Escasa y Condicionamiento: Los autores analizan el condicionamiento de la matriz de Vandermonde de disco. Destacan que, para átomos soportados en disco, tanto la separación angular como la radial son críticas para las garantías de recuperación escasa, ya que los polos con radios y ángulos similares pueden ser casi colineales sobre horizontes finitos.
5. Integración de Priores de Ingeniería: El marco demuestra cómo diversos priores de ingeniería (estabilidad, pasividad, monotonía, etc.) pueden codificarse simultáneamente en un único problema maestro convexo (QP/SOCP/LMI) sin rediseñar el núcleo.

4. Resultados y Validación Numérica

El artículo presenta un ejemplo numérico en un sistema SISO con dos modos subamortiguados, excitado por una entrada de bajo ancho de banda con ruido aditivo (SNR $\approx$ 30 dB).

• Escenario: Los datos son "poco informativos", lo que significa que muchos modelos estables ajustan la salida, pero extrapolan de manera diferente.
• Comparación: El método RAF se compara frente a Modelado por Error de Predicción (PEM), Métodos de Regularización por Núcleos (KRM) y Minimización de la Norma Atómica (ANM).
• Hallazgos:
  • Con solo priores de estabilidad, los métodos aleatorizados (ANM, RAF) ajustan los datos pero fallan en recuperar de manera única la respuesta al impulso verdadera debido a una excitación deficiente.
  • La adición de restricciones de sector de polos y escasez mejora la recuperación modal tanto para ANM como para RAF.
  • Superioridad de RAF: Cuando se agregan restricciones convexas adicionales (ganancia en CC, presupuesto BIBO, máscaras de frecuencia), RAF mejora significativamente la respuesta al impulso recuperada y produce regiones candidatas de polos más informativas.
  • El ejemplo ilustra que cuando los datos son pobres, la capacidad de imponer priores de ingeniería duros es más crítica que la elección específica de la función de pérdida.

5. Significado y Afirmaciones

El artículo posiciona a RAF no como un reemplazo para los métodos de núcleos o la minimización de la norma atómica, sino como un puente práctico entre ellos.

• Interpretabilidad: A diferencia de los métodos de núcleos puros, las características de RAF son modos físicos explícitos (exponenciales amortiguadas), lo que permite una interpretación directa y la imposición de restricciones.
• Escalabilidad: A diferencia de los métodos de norma atómica sin rejilla que resuelven problemas de dimensión infinita, RAF reduce el problema a una regresión convexa de dimensión finita escalable.
• Informado por la Física: El marco codifica explícitamente márgenes de estabilidad, localización modal y límites de error en el dominio del tiempo/frecuencia directamente en la optimización.
• Afirmaciones Modestas sobre la Recuperación: Los autores son explícitos en que el método no garantiza la recuperación exacta de polos a partir de un diccionario finito por sí solo. Los átomos activos se interpretan como regiones candidatas de polos en lugar de estimaciones continuas certificadas. La recuperación exacta requiere suposiciones adicionales (datos informativos, separación suficiente, bajo ruido) y a menudo una estrategia de dos etapas donde la solución convexa de RAF sirve como punto de partida para un refinamiento no lineal local.

En resumen, el artículo proporciona un marco matemáticamente riguroso y computacionalmente tratable para la identificación de sistemas que aprovecha las características aleatorizadas para combinar la flexibilidad de los métodos de núcleos con la interpretabilidad física y las capacidades de manejo de restricciones de los diccionarios modales explícitos.