Resumen Técnico: Aprendizaje de Diccionario Geométrico de Sistemas Dinámicos con Transporte Óptimo

1. Planteamiento del Problema

El aprendizaje de sistemas dinámicos (SD) a partir de datos depende típicamente de representaciones de teoría de operadores, como el operador de Koopman, donde las cantidades espectrales (valores propios, subespacios invariantes) codifican las escalas temporales y el comportamiento a largo plazo. Sin embargo, los métodos actuales enfrentan dos limitaciones principales:

1. Estimación Específica de Instancia: Los operadores dinámicos se estiman típicamente de forma independiente para cada sistema. Esto impide el descubrimiento de patrones estructurales compartidos entre sistemas relacionados, haciendo que el aprendizaje por transferencia y la comparación estén mal planteados.
2. Escasez de Datos y Geometría: La estimación precisa generalmente requiere trayectorias largas e informativas. En configuraciones prácticas con trayectorias cortas, parciales o metastables, los estimadores estándar se vuelven estadísticamente inestables. Además, el espacio de los operadores dinámicos es no euclidiano (espectral y de teoría de operadores), lo que hace inaplicables los métodos clásicos de aprendizaje de diccionarios lineales.

Los enfoques existentes proporcionan representaciones de operadores expresivas que permanecen específicas de instancias individuales o permiten una comparación fundamentada sin apoyar el aprendizaje de una estructura compartida. Existe una falta de un marco unificado que capture la estructura de operadores compartida mientras habilita operaciones geométricas y transferencia.

2. Metodología: DOODL

Los autores proponen DOODL (Aprendizaje de Diccionario de Operadores Dinámicos), un marco basado en la hipótesis de que los sistemas dinámicos relacionados se encuentran cerca de una variedad de baja dimensión en el espacio de operadores espectrales.

2.1 Geometría Espectral y Transporte Óptimo

DOODL opera sobre las descomposiciones espectrales de los operadores. Para un operador $G$ con descomposición espectral $G = \sum \lambda_i P_i$ (donde $\lambda_i$ son valores propios y $P_i$ son proyectores espectrales), el método representa $G$ como una medida espectral discreta $\mu(G)$.
Para comparar operadores, DOODL utiliza la divergencia de Transporte Óptimo Grassmanniano Espectral (SGOT). Esta métrica alinea conjuntamente valores propios y subespacios invariantes (proyectores) mediante un plan de transporte óptimo, definiendo una geometría en el espacio de operadores que captura tanto las escalas temporales dinámicas como las estructuras coherentes.

2.2 Aprendizaje de Diccionario en una Variedad Riemanniana

DOODL aprende un diccionario de $d$ dinámicas espectrales características (átomos) $\mathcal{G} = \{G_1, \dots, G_d\}$.

• Estructura de Variedad: El espacio de las descomposiciones espectrales se caracteriza como una variedad cociente Riemanniana suave $\mathcal{M} = \mathcal{N} / (\mathbb{C}^*)^r$, donde $\mathcal{N}$ es el espacio de valores propios y autovectores bi-ortogonales. Esta estructura tiene en cuenta la no unicidad de los autovectores bajo reescalado.
• Modelo de Reconstrucción: A diferencia del aprendizaje de diccionarios clásico que utiliza combinaciones lineales, DOODL emplea un modelo de reconstrucción no lineal. Dados coeficientes $\alpha$ en el simplex $\Delta^{d-1}$, la reconstrucción $B_p(\alpha; \mathcal{G})$ realiza una combinación lineal de componentes espectrales (valores propios, autovectores izquierdos/derechos) seguida de una proyección sobre la variedad de descomposiciones espectrales para restaurar la restricción de bi-ortogonalidad. Este enfoque equilibra la eficiencia computacional con la fidelidad geométrica.
• Optimización: El diccionario y los coeficientes se aprenden minimizando la divergencia SGOT promedio entre los operadores observados y sus reconstrucciones. La optimización se realiza mediante una estrategia estocástica de coordenadas de bloque inexacta utilizando descenso de gradiente Riemanniano en la variedad.

2.3 Estimación de Operadores Basada en Diccionario

Una aplicación clave de DOODL es estimar operadores a partir de trayectorias cortas. En lugar de estimar un operador de alta dimensión sin restricciones, el método restringe el espacio de búsqueda a la variedad de operadores aprendida (la imagen del modelo de reconstrucción). Esto actúa como un regularizador, reduciendo la dimensionalidad efectiva del problema de estimación.

3. Garantías Teóricas

El artículo proporciona garantías estadísticas para la estimación de operadores a partir de trayectorias cortas (Teorema 1).

• Desigualdad del Oráculo: El riesgo excesivo del estimador DOODL está acotado por un término de sesgo (error de aproximación de la variedad aprendida) y un término de varianza.
• Reducción de Dimensionalidad: La complejidad del término de varianza está gobernada por la dimensión intrínseca $m$ de la variedad de operadores aprendida en lugar del tamaño del diccionario ambiental $d$.
• Mezcla: Los límites se cumplen para trayectorias $\beta$-mezclables, con el tamaño de muestra efectivo ajustado para la dependencia temporal.
• Decaimiento del Sesgo: El sesgo del diccionario desaparece asintóticamente a medida que aumenta la longitud de las trayectorias de entrenamiento, confirmando que la variedad aprendida converge a la estructura subyacente real.

4. Resultados Experimentales

El marco fue evaluado en dos dominios distintos:

4.1 Dinámica de Langevin Metastable

• Configuración: Un sistema de Langevin amortiguado unidimensional con un potencial de dos pozos, donde varía el ancho del potencial $w$.
• Hallazgos:
  • Descubrimiento de Variedad: DOODL identificó con éxito que la familia de sistemas se encuentra en una variedad de baja dimensión (aproximadamente 1D) en el espacio de operadores. Los átomos aprendidos se alinearon suavemente con la variación en el ancho del potencial.
  • Rendimiento con Trayectorias Cortas: En regímenes con trayectorias truncadas (hasta 10k muestras), DOODL logró errores SGOT uno a dos órdenes de magnitud menores que los estimadores independientes de Regresión de Rango Reducido (RRR) y las líneas base de aprendizaje de diccionarios lineales.
  • Cambio de Régimen: El método permitió la detección de cambios abruptos de régimen rastreando la evolución de los coeficientes de incrustación sobre ventanas deslizantes, demostrando discontinuidades agudas en los momentos de conmutación.

4.2 Dinámica de Plasma Turbulento

• Configuración: Simulaciones de alta dimensión de turbulencia de plasma en el borde (Tokam2D) gobernadas por parámetros que controlan los gradientes de densidad ($\kappa$) y el acoplamiento de intercambio ($g$).
• Pipeline: El método utilizó un modelo base de EDP congelado (POSEIDON) para extraer descriptores espaciales, seguido del aprendizaje de coordenadas temporales y la estimación de representaciones de generadores de rango finito.
• Hallazgos:
  • Organización Geométrica: La geometría SGOT recuperó la estructura de variedad 2D de los regímenes de plasma correspondientes a $(g, \kappa)$ sin supervisión.
  • Recuperación de Parámetros: La regresión de parámetros físicos a partir de las coordenadas baricéntricas aprendidas arrojó puntuaciones $R^2$ altas ($0.81$ para $g$, $0.97$ para $\kappa$).
  • Identificación Temprana: Restringir la estimación a la variedad espectral aprendida permitió la recuperación confiable de operadores y la identificación de parámetros a partir de prefijos de trayectorias cortas (hasta 3k pasos de tiempo), superando significativamente la estimación directa sin restricciones. El parámetro $\kappa$ (firma espectral dominante) se recuperó más rápido que $g$ (firma espectral distribuida).

5. Significado y Afirmaciones

El artículo afirma que DOODL ofrece un marco fundamentado para el aprendizaje de representaciones transferibles en sistemas dinámicos. Su significado principal radica en:

1. Captura de Estructura Compartida: Avanza más allá de la estimación específica de instancias para aprender un "diccionario" compartido de dinámicas espectrales características, permitiendo la comparación e interpolación de sistemas relacionados.
2. Eficiencia de Datos: Al restringir la estimación a una variedad espectral de baja dimensión aprendida, DOODL permite una estimación rápida e interpretable de operadores a partir de trayectorias cortas y parcialmente observadas donde los métodos clásicos fallan.
3. Fidelidad Geométrica: Respeta la geometría no euclidiana intrínseca de los operadores dinámicos mediante optimización Riemanniana y Transporte Óptimo, evitando los peligros de aproximaciones lineales ingenuas en el espacio de operadores.
4. Interpretabilidad Física: Las incrustaciones aprendidas corresponden a parámetros físicos y regímenes dinámicos, facilitando la identificación de sistemas y la detección de cambios de régimen en entornos complejos y multiescala como la turbulencia de plasma.

Los autores reconocen limitaciones, señalando que el problema de optimización es no convexo y que la variedad aprendida es estática, no adaptándose en línea a cambios de distribución. Se sugiere trabajo futuro para explorar variantes continuas y adaptativas.