Approximate Feedback Linearization for a Nonlinear Hyperbolic PDE Class -- Part II: Neural Operator

Resumen Técnico: Linealización de Retroalimentación Aproximada para una Clase de EDP Hiperbólicas No Lineales — Parte II: Operador Neuronal

Planteamiento del Problema
Este artículo aborda la intratabilidad computacional de implementar la linealización de retroalimentación exacta para una clase de ecuaciones diferenciales parciales (EDP) hiperbólicas no lineales. Mientras que la Parte I de este trabajo estableció que un truncamiento de orden finito de la serie de Volterra para la retroalimentación proporciona estabilidad en bucle cerrado, el controlador resultante sigue siendo computacionalmente prohibitivo para aplicaciones en tiempo real. Específamente, la evaluación del controlador truncado requiere:

1. Resolver una "torre" de $N-1$ EDP de núcleos lineales específicos de la planta sobre simplex crecientes para generar los núcleos de retroalimentación.
2. Realizar integrales anidadas $N$-veces sobre estos núcleos precomputados para cada actualización de control.

Estas operaciones son "específicas de la planta", lo que significa que cualquier cambio en la no linealidad $F$ de la planta requiere resolver las EDP de los núcleos desde cero. Este artículo propone reemplazar el controlador explícito y computacionalmente pesado por un sustituto de operador neuronal aprendido para eliminar la resolución de núcleos de EDP en línea y la integración anidada, preservando al mismo tiempo las garantías de estabilidad.

Metodología
La metodología central consiste en aprender un mapeo desde los coeficientes de la no linealidad de la planta y el estado del sistema directamente hacia la entrada de control en la frontera, evitando el paso intermedio de resolver las EDP de los núcleos.

1. Continuidad de Lipschitz Conjunta: Los autores establecen primero que el operador de retroalimentación de Volterra truncado, denotado como $U_N(f_N, u)$, es conjuntamente Lipschitz continuo con respecto tanto a los coeficientes de la planta $f_N$ (los núcleos de Volterra de la no linealidad) como al estado $u$. Este es un paso teórico crítico, ya que asegura que el operador es continuo en conjuntos compactos, satisfaciendo los prerrequisitos para la aproximación universal.
2. Sustituto de Operador Neuronal: Aprovechando la propiedad de Lipschitz, el artículo emplea un operador neuronal (específicamente una arquitectura MIONet) para aproximar $U_N$. La red se entrena en un conjunto de datos que comprende pares de coeficientes de planta y estados mapeados a los valores de control truncados exactos. Una vez entrenado, el operador neuronal $\hat{U}_N$ actúa como un sustituto directo, tomando $(f_N, u)$ como entrada y entregando el control $U(t)$ en una sola pasada hacia adelante (forward pass).
3. Análisis de Bucle Cerrado: La estabilidad del sistema de bucle cerrado bajo esta retroalimentación sustituta se analiza mediante el residuo de frontera que impulsa la ecuación de transporte objetivo, el cual se muestra que consta de dos componentes: el error de truncamiento (de la Parte I) y el error de aproximación del operador neuronal ($\epsilon$).

Contribuciones Claves
El artículo realiza tres contribuciones teóricas y prácticas primordiales:

• Resultado de Continuidad de Lipschitz: Demuestra que el operador de retroalimentación de Volterra truncado es localmente Lipschitz en conjuntos acotados de coeficientes de planta y estados. Este resultado sirve como fundamento matemático para las garantías de aproximación posteriores.
• Existencia de Sustituto Neuronal: Establece la existencia de un operador neuronal de aproximación $\hat{U}_N$ capaz de lograr cualquier precisión prescrita en la norma sup en conjuntos acotados de plantas y estados, subsumiendo efectivamente la solución de la EDP de los núcleos y la integración anidada en un único mapeo aprendido.
• Teorema de Estabilidad Práctica: Demuestra que el sistema de bucle cerrado bajo la retroalimentación del operador neuronal retiene las cuatro propiedades de estabilidad establecidas en la Parte I (invariancia hacia adelante, estabilidad práctica, atractividad en tiempo finito y estimaciones asintóticas de clase-$KL$). Crucialmente, se muestra que la envolvente asintótica es de la forma $\|u(\cdot, t)\|_\infty \leq \beta(\|u_0\|_\infty, t) + \gamma(\epsilon)$, donde la bola residual escala linealmente con la precisión de entrenamiento $\epsilon$.

Resultados
El artículo valida el marco de trabajo mediante experimentos numéricos con un orden de truncamiento $N=3$:

• Estabilización: El controlador aprendido estabiliza con éxito plantas hiperbólicas no lineales que son inestables en lazo abierto.
• Robustez: El sustituto, entrenado en una distribución específica de parámetros de la planta, estabiliza plantas no vistas (diferentes parámetros de no linealidad) y diversas condiciones iniciales sin necesidad de reentrenamiento.
• Truncamiento vs. Aproximación: Los resultados demuestran que, si bien el operador neuronal introduce un error de aproximación $\epsilon$ (resultando en un piso residual de $\sim 10^{-3}$), mantiene la estabilidad incluso en regímenes donde los truncamientos de menor orden (por ejemplo, $N=2$) fallan debido a grandes coeficientes de no linealidad.
• Eficiencia Computacional: El resultado práctico más significativo es la aceleración computacional. La implementación clásica del controlador $N=3$ requiere resolver las EDP de los núcleos e integrales anidadas, tomando aproximadamente 3.95 segundos por evaluación. El operador neuronal entrenado evalúa la misma ley de control en aproximadamente 1 milisegundo, lo que produce un factor de aceleración de aproximadamente 4,000$\times$.

Significancia y Reivindicaciones
El artículo posiciona este trabajo como la realización práctica del marco teórico introducido en la Parte I. Mientras que la Parte I hizo que el controlador fuera "implementable en principio" mediante el truncamiento de la serie infinente, este trabajo lo hace "implementable en la práctica, de una vez y para siempre por clase de planta".

Los autores afirman que, al aprender el operador directamente, el método elimina la necesidad de la resolución de núcleos en línea, que es el principal cuello de botella para el control en tiempo real de las EDP no lineales. La significancia radica en la prueba rigurosa de que esta aproximación no sacrifica la estabilidad; el sistema permanece prácticamente estable con un error residual que está explícitamente acotado y es linealmente proporcional a la precisión de entrenamiento de la red neuronal. A medida que la precisión de entrenamiento tiende a cero, se recupera el comportamiento del controlador de Volterra truncado exacto (y, en última instancia, del linealizador de Volterra infinito exacto).