Learning Stable Controlled Dynamical Systems via Input-Contraction Neural Differential Models

Resumen Técnico: Aprendizaje de Sistemas Dinámicos Controlados Estables mediante Modelos Diferenciales Neuronales de Contracción por Entrada

Planteamiento del Problema
El artículo aborda una limitación crítica en la identificación de sistemas basada en datos: la incapacidad de las Ecuaciones Diferenciales Ordinarias Neuronales (Neural ODEs) existentes para garantizar la estabilidad estructural al modelar sistemas no autónomos sujetos a entradas de control variables en el tiempo. Si bien las Neural ODEs han parametrizado con éxito campos vectoriales autónomos, sus extensiones a sistemas controlados (por ejemplo, Neural CDEs, ICODE) suelen tratar las entradas externas de forma heurística. En consecuencia, estos modelos carecen de garantías rigurosas de estabilidad en bucle cerrado bajo secuencias de entrada genéricas y no nulas. Esta deficiencia conduce a la acumulación de errores, la divergencia del estado y una sensibilidad extrema a las perturbaciones externas durante despliegues de largo horizonte, lo que los vuelve poco fiables para aplicaciones de control industrial y robótica de misión crítica.

Metodología: El Modelo Diferencial Neuronal de Contracción por Entrada (ICNDM)
Los autores proponen el Modelo Diferencial Neuronal de Contracción por Entrada (ICNDM, por sus siglas en inglés), un marco diseñado para aprender representaciones en tiempo continuo de sistemas dinámicos controlados asegurando la convergencia exponencial incremental. La metodología integra tres componentes principales:

1. Arquitectura de Codificación de Entrada: A diferencia de los enfoques de concatenación estándar, el ICNDM emplea un codificador de entrada neuronal dedicado, $E_\phi(u)$, para mapear las entradas de control puras en un espacio latente. Esto desacopla las señales de control de alta frecuencia del acoplamiento algebraico directo con el vector de estado, estabilizando las variaciones del gradiente durante la integración de la ODE estirada (stiff).
2. Optimización Conjunta de la Métrica Neuronal: El marco aprende simultáneamente el campo vectorial neuronal no autónomo, $f_\theta(x, E_\phi(u))$, y una métrica de contracción riemanniana generalizada, $M_\omega(x)$. Para asegurar que la métrica permanezca uniformemente definida positiva, los autores imponen una restricción estructural utilizando una descomposición de Cholesky localizada ($M_\omega(x) = L_\omega(x)L_\omega(x)^T + \epsilon I$).
3. Función de Objetivo Regularizada: El objetivo de entrenamiento combina una pérdida de predicción de trayectoria estándar con dos regularizadores estructurales:
   • Una penalización de barrera espectral suave ($L_c$) que impone la condición de contracción $\Psi(x, u) \preceq -\beta M_\omega(x)$, donde $\Psi$ es la matriz de contracción no autónoma generalizada que involucra el Jacobiano del estado y la derivada temporal de la métrica.
   • Un regularizador de norma de Frobenius ($L_u$) sobre el Jacobiano de la entrada para limitar la sensibilidad del campo vectorial ante variaciones de entrada de alta frecuencia.

Contribuciones Teóricas
El artículo proporciona garantías teóricas formales para la arquitectura propuesta:

• Convergencia Exponencial Incremental: Bajo el supuesto de que la pérdida de contracción espectral se minimiza, los autores demuestran que cualquier par de trayectorias impulsadas por la misma secuencia de entrada convergen exponencialmente, con el límite de error decayendo como $e^{-\beta t/2}$.
• Contracción de Entrada a Estado (ISC): Los autores derivan condiciones suficientes para la contracción de entrada a estado bajo perturbaciones externas acotadas. Establecen que el desajuste de seguimiento entre trayectorias impulsadas por diferentes entradas está globalmente acotado por un término dependiente de la diferencia de la entrada y la constante de Lipschitz del sistema, asegurando la robustez contra perturbaciones de entrada.

Resultados Experimentales
El rendimiento del ICNDM fue evaluado frente a cinco líneas base de vanguardia (Standard Neural ODE, Controlled Neural ODE, ICODE, ControlSynth y Differential Neural Networks) a través de dos dominios:

1. Benchmarks Caóticos No Lineales: Las pruebas en osciladores de Duffing y Van der Pol impulsados por entradas sinusoidales de multifrecuencia demostraron que el ICNDM supera significativamente a las líneas base en predicciones de largo horizonte. Mientras que los modelos estándar exhibieron una acumulación sustancial de error (por ejemplo, el MSE subiendo a $1.89 \times 10^{-1}$ para el Standard NODE en el oscilador de Duffing tras 200 pasos), el ICNDM mantuvo límites estables (MSE de $1.02 \times 10^{-3}$).
2. Sistema de Accionamiento PMSM Físico: La validación en un conjunto de datos de un motor síncrono de imanes permanentes (PMSM) confirmó la utilidad práctica del modelo. En despliegues de 500 pasos de la corriente del eje de cuadratura, los modelos no restringidos derivaron significativamente de la verdad de campo (ground truth), mientras que el ICNDM rastreó la dinámica real con precisión.
3. Robustez al Ruido: Los experimentos inyectando ruido gaussiano en los canales de entrada mostraron que el ICNDM se degrada gradualmente a medida que los niveles de ruido aumentan, mientras que los modelos de la línea base sufrieron un crecimiento rápido del error. Este comportamiento valida empíricamente las propiedades teóricas de Contracción de Entrada a Estado.

Significancia y Reivindicaciones
El artículo afirma cerrar la brecha entre el modelado consciente de la entrada y las propiedades de estabilidad estructural. Al modelar explícitamente las acciones de control variables en el tiempo mientras garantiza la contracción de entrada a estado mediante la optimación conjunta de la métrica, el ICNDM ofrece una solución a la inestabilidad inherente de las ecuaciones diferenciales neuronales no restringidas. Los autores sostienen que este marco proporciona garantías asintóticas rigurosas para sistemas altamente no lineales controlados, una capacidad previamente restringida a formulaciones autónomas o aquellas que asumen entradas constantes. El trabajo posiciona al ICNDM como una herramienta robusta para la identificación de sistemas en entornos dinámicos, con una superioridad demostrada en la reducción de la deriva de largo horizonte y la mejora de la resiliencia ante perturbaciones de entrada.