🔢 mathematics

Bilinear Systems with Quadratic Outputs: $\mathcal{H}_2$ Analysis, Optimality Conditions for Model Reduction, and Algorithmic Solutions

Este artículo establece un marco $\mathcal{H}_2$ integral para sistemas bilineales con salidas cuadráticas mediante la definición de su norma y la derivación de condiciones de optimalidad de primer orden, las cuales son utilizadas para desarrollar un algoritmo de reducción de modelos óptima que generaliza los métodos existentes para sistemas lineales y bilineales.

Autores originales: Heike Faßbender (Institute for Numerical Analysis, TU Braunschweig), Serkan Gugercin (Department of Mathematics and Division of Computational Modeling and Data Analytics, Academy of Data Science, Virg

Publicado 2026-07-23

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Heike Faßbender (Institute for Numerical Analysis, TU Braunschweig), Serkan Gugercin (Department of Mathematics and Division of Computational Modeling and Data Analytics, Academy of Data Science, Virginia Tech), Till Peters (Institute for Numerical Analysis, TU Braunschweig)

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 estás tratando de entender una orquesta masiva y caótica que toca una sinfonía. La música es hermosa, pero la orquesta tiene 40.000 músicos y tú solo tienes un pequeño sistema de altavoces que puede manejar a unas pocas docenas. Quieres crear una versión más pequeña y simple de la orquesta que, aun así, suene exactamente como la original cuando toca una canción. Este es el corazón de la "reducción de orden de modelos", un campo de la ingeniería y las matemáticas dedicado a encoger sistemas complejos sin perder su comportamiento esencial.

Normalmente, estos sistemas son como máquinas simples: presionas un botón y un engranaje gira. Pero en el mundo real, las cosas son más complicosas. A veces, la forma en que una máquina se mueve depende de qué tan fuerte la empujes y de qué tan rápido se esté moviendo ya. Esto se llama un sistema "bilineal". Aún más difícil, a veces lo que estás midiendo (el "output" o salida) no es solo una línea simple, sino una curva que depende del cuadrado del estado de la máquina; como medir la energía total o la "intensidad" de un sonido, que crece mucho más rápido que la perilla del volumen en sí. Este artículo se centra en estos sistemas complicados y específicos: aquellos con movimientos complejos y ondulados y salidas que se curvan como una parábola. El objetivo es averiguar cómo encoger estos modelos matemáticos complicados a un tamaño manejable manteniendo la precisión suficiente para que sean útiles.

La misión del artículo: Domar los sistemas ondulados

Los autores, Heike Faßsbender, Serkan Gugercin y Till Peters, abordan un problema al que le faltaba una pieza crucial del rompecabezas. Si bien los científicos sabían cómo reducir sistemas lineales simples e incluso algunos sistemas "bilineales" ondulados, no tenían una forma sistemática y completa de manejar sistemas que combinaban ambos: movimientos complejos y salidas cuadráticas y curvas. Los llaman "Sistemas Bilineales con Salidas Cuadráticas" (sistemas BQO).

Piensa en un sistema BQO como un dron muy sensible y de alta tecnología. Su trayectoria de vuelo (dinámica) cambia según la velocidad del viento y el acelerador (bilineal), pero el sensor que usas para rastrearlo no solo reporta su posición, sino que reporta la energía de su movimiento, lo que implica elevar al cuadrado los números (salida cuadrática). Si intentas construir una versión matemática diminuta y simplificada de este dron, no puedes usar simplemente las reglas viejas para drones simples o incluso las reglas para los que son solo ondulados. Necesitas un nuevo conjunto de instrucciones.

El nuevo kit de herramientas: Una regla "H2"

Para resolver esto, el equipo construyó una nueva "regla" matemática llamada norma H2. En el mundo de la teoría de control, la norma H2 es como una medida de cuánto "ruido" o "error" produce un sistema cuando se somete a una prueba estándar. Para sistemas simples, ya teníamos esta regla. Para sistemas bilineales, teníamos una ligeramente diferente. Pero para los sistemas BQO, la regla faltaba.

Los autores hicieron tres cosas principales para solucionar esto:

Definieron la regla: Crearon una fórmula matemática precisa para medir el "tamaño" o la "energía" de un sistema BQO. Esto implicó observar cómo reacciona el sistema a los estímulos a lo largo del tiempo, descomponiéndolo en capas de complejidad (como pelar una cebolla) y sumando los resultados.
Demostraron que la regla funciona: Mostraron que si conoces la norma H2 de un sistema, puedes predecir qué tan grande será el error de salida. Es como decir: "Si el plano dice que el error es pequeño, el edificio real no se tambaleará mucho". Esto les da confianza a los ingenieros de que, si encogen el modelo, los resultados no se volverán locos.
Encontraron las condiciones de "ajuste perfecto": Este es el gran descubrimiento. Determinaron exactamente qué condiciones debe cumplir un modelo reducido diminuto para ser la versión más posible de la original. Imagina intentar encajar una llave en una cerradura. Los autores escribieron la forma exacta que la llave (el modelo reducido) debe tener para encajar perfectamente en la cerradura (el sistema original). Estas son las "condiciones de optimalidad".

El algoritmo: La danza "BQO-TSIA"

Saber las reglas para la llave perfecta es genial, pero ¿cómo se talla realmente? Los autores propusieron un algoritmo llamado BQO-TSIA (Algoritmo de Iteración de Dos Lados para Salidas Cuadráticas Bilineales).

Piensa en este algoritmo como una danza entre dos parejas.

El Socio A es el sistema gigante y original (la orquesta de 40.000 músicos).
El Socio B es el modelo reducido y diminuto (la banda de 12 músicos).

La danza funciona así:

Comienzan con una suposición para la banda diminuta.
Le preguntan a la orquesta gigante: "¿Cómo reaccionas ante esta pequeña banda?", y a la banda pequeña: "¿Cómo reaccionas ante la orquesta gigante?".
Basándose en esta conversación, ajustan los instrumentos y la partitura de la banda diminuta.
Repiten este proceso una y otra vez. Con cada paso, la banda diminuta se vuelve mejor imitando a la orquesta gigante.
Finalmente, la danza se detiene cuando la banda diminuta es tan buena que satisface las condiciones de "ajuste perfecto" que los autores descubrieron.

¿Funciona? La prueba de manejo

Los autores no se limitaron a la matemática; probaron su nuevo método en dos escenarios del mundo real para ver si realmente funcionaba mejor que las formas antiguas.

Prueba 1: El circuito RC no lineal
Utilizaron un modelo de un circuito eléctrico con 40.200 componentes. Este es un sistema enorme. Compararon su nuevo método "BQO-TSIA" contra un método más antiguo llamado "Truncamiento Balanceado" (que es como intentar reducir la orquesta simplemente eliminando a los músicos más silenciosos sin escuchar la música).

El Resultado: El nuevo método produjo un error menor en la salida. En otras palabras, la banda diminuta sonaba más como la orquesta gigante.
Velocidad: El nuevo método también fue mucho más rápido. Mientras que el método antiguo tardaba unos 150 segundos en ejecutarse, el nuevo método (específicamente la versión que utiliza un solver llamado GLGMRES) tardó menos de 5 segundos para la mayoría de los tamaños. Fue una victoria clara tanto en precisión como en velocidad.

Prueba 2: La ecuación de calor
A continuación, simularon el calor moviéndose a través de una placa cuadrada (como una sartén caliente). Este fue un sistema "MIMO", lo que significa que tenía múltiples entradas y salidas. El sistema original tenía 2.500 variables.

El Resultado: Nuevamente, el nuevo método venció al anterior. El error en el nuevo método disminuyó de manera constante a medida que hacían el modelo ligeramente más grande, mientras que el error del método antiguo subía y bajaba de forma impredecible.
Velocidad: Una vez más, el nuevo método fue significativamente más rápido, tomando menos de un segundo o un par de segundos, en comparación con los 16 segundos que tardaba el método antiguo.

La conclusión

Este artículo no solo sugiere una nueva idea; proporciona un marco completo y probado. Los autores han demostrado que, al construir una nueva regla matemática (la norma H2) y una nueva danza (el algoritmo BQO-TSIA), podemos reducir estos sistemas increíblemente complejos y ondulados a tamaños manejables sin perder el hilo de la historia.

Los resultados de sus simulaciones sugieren que este enfoque no solo es más preciso que el estándar actual (el Truncamiento Balanceado), sino también mucho más eficiente. Para los ingenieros y científicos que lidian con sistemas complejos —ya sea diseñando mejores baterías, simulando el flujo de calor o controlando drones—, este nuevo kit de herramientas ofrece una forma de obtener respuestas de alta calidad sin necesidad de una supercomputadora para hacer los cálculos. Las condiciones de "ajuste perfecto" que encontraron sirven como un faro, asegurando que, cuando simplificamos el mundo, no perdamos la magia de cómo funciona realmente.

Resumen Técnico: Análisis H2, Condiciones de Optimalidad y Soluciones Algorítmicas para Sistemas Bilineales con Salidas Cuadráticas

Planteamiento del Problema
Los sistemas bilineales con salidas cuadráticas (sistemas BQO) representan una clase de sistemas dinámicos donde tanto la dinámica del estado como la respuesta medida dependen de forma no lineal del estado. Estos sistemas surgen naturalmente en aplicaciones que involucran no linealidades dependientes del estado, tales como los sistemas hamiltonianos de puerto bilineales, aproximaciones de sistemas no lineales mediante la bilinearización de Carleman, y el modelado de varianzas en sistemas estocásticos o cantidades relacionadas con la energía. La forma general del espacio de estados viene dada por:
$\dot{x}(t) = Ax(t) + \sum_{k=1}^m N_k x(t) u_k(t) + Bu(t), \quad x(0)=0$
$y(t) = Cx(t) + \sum_{j=1}^p x(t)^T M_j x(t)$
Mientras que los sistemas BQO unifican los sistemas bilineales (donde $M_j=0$ ) y los sistemas lineales con salidas cuadráticas (LQO, donde $N_k=0$ ), carecía de un marco sistemático para la reducción de orden de modelo (MOR) óptima en $H_2$ para esta clase específica. Los métodos existentes para sistemas bilineales o LQO no se aplican directamente a la estructura combinada de BQO. El objetivo es construir un sistema BQO de orden reducido de dimensión $r \ll n$ que aproxime con precisión el comportamiento entrada-salida del sistema original de gran escala.

Metodología
El artículo desarrolla un marco integral de $H_2$ para sistemas BQO, extendiendo las teorías existentes para sistemas bilineales y LQO. La metodología procede a través de los siguientes pasos:

Fundamentos Teóricos: Los autores establecen la existencia y unicidad de los gramianos de alcanzabilidad y observabilidad para los sistemas BQO, definidos mediante ecuaciones de Lyapunov generalizadas. También introducen ecuaciones de Sylvester generalizadas para caracterizar la conexión entre los sistemas completos y reducidos.
Definición de la Norma $H_2$ : Se define un nuevo producto interno y norma $H_2$ $H_{2}$ para los sistemas BQO utilizando núcleos de Volterra. Crucialmente, el artículo deriva fórmulas explícitas para el producto interno y la norma $H_2$ $H_{2}$ en términos de las soluciones de las ecuaciones de Lyapunov y Sylvester generalizadas, evitando la necesidad de la integración directa de los núcleos.
- La norma $H_2$ al cuadrado viene dada por $\|S\|_{H_2}^2 = \text{tr}(CP C^T) + \sum_{j=1}^p \text{tr}(P M_j P M_j)$ , donde $P$ es el gramiano de alcanzabilidad.
Límites de Error de Salida: Los autores derivan límites para la salida del sistema y el error de salida entre un sistema completo y uno reducido en términos de la norma $H_2$ . Específicamente, el error de salida está acotado por la distancia $H_2$ entre los sistemas multiplicada por un término dependiente de las normas de entrada. Esto motiva la minimización del error del sistema $H_2$ para asegurar errores de salida pequeños.
Condiciones de Optimalidad: Al formular el problema de reducción de orden de modelo como una optimización restringida del error $H_2$ , el artículo deriva las condiciones de optimalidad necesarias de primer orden. Estas condiciones caracterizan sistemas reducidos localmente óptimos en $H_2$ .
Solución Algorítmica (BQO-TSIA): Basándose en las condiciones de optimalidad, los autores proponen un algoritmo iterativo llamado BQO-TSIA (Algoritmo de Iteración de Dos Lados para Sistemas Bilineales con Salida Cuadrática). Este algoritmo generaliza IRKA, BIRKA y LQO-TSIA. Itera la resolución de ecuaciones de Sylvester generalizadas para computar los subespacios de proyección ( $V$ y $W$ ) que imponen las condiciones de optimalidad tras la convergencia. Se implementan dos variantes: una que utiliza iteraciones de punto fijo para las ecuaciones de Sylvester y otra que utiliza un resolvedor global de GMRES.

Contribuciones Clave
El artículo reclama las siguientes contribuciones primarias:

Teoría $H_2$ : Introducción de un producto interno y norma $H_2$ específicamente para sistemas BQO, que recupera las definiciones existentes para sistemas bilineales y LQO como casos especiales.
Límites de Error: Derivación de límites de salida para sistemas BQO en términos de la norma $H_2$ y los correspondientes límites de error entre dos sistemas BQO.
Condiciones de Optimalidad: Derivación de las condiciones de optimalidad necesarias de primer orden para la reducción de orden de modelo óptima en $H_2$ de sistemas BQO.
Algoritmo: Propuesta del algoritmo BQO-TSIA, que computa un sistema BQO reducido que satisface estas condiciones de optimalidad, generalizando así los métodos existentes de optimalidad en $H_2$ .

Resultados
La efectividad del marco propuesto se demuestra a través de dos ejemplos numéricos:

Circuito RC No Lineal: Un sistema de entrada única y salida única (SISO) con dimensión $n=40,200$ derivado de una bilinearización de Carleman.
Ecuación de Calor: Un sistema de múltiples entradas y múltiples salidas (MIMO) con dimensión $n=2,500$ que representa un sistema de transferencia de calor controlado de forma bilineal.

En ambos ejemplos, los métodos basados en $H_2$ propuestos (BQO-TSIA y BQO-TSIA GLGMRES) se compararon contra variantes de Truncamiento Balanceado (BT) (utilizando gramianos completos y truncados).

Precisión: Los métodos inspirados en $H_2$ generalmente lograron errores de norma $H_2$ relativos más bajos y, para órdenes reducidos más altos, errores de salida máximos más pequeños en comparación con los métodos de truncamiento balanceado. Los métodos BT mostraron un comportamiento oscilatorio en el error de salida para la ecuación de calor, mientras que los métodos $H_2$ exhibieron un decaimiento monotónico.
Eficiencia: La variante BQO-TSIA GLGMRES fue consistentemente el método más rápido, particularmente para órdenes reducidos grandes, superando a la versión de iteración de punto fijo y a los enfoques de truncamiento balanceado. Se señaló que el costo computacional del truncamiento balanceado era prohibitivo para sistemas de gran escala debido al requisito de resolver ecuaciones de Lyapunov generalizadas completas.

Significancia
El artículo afirma que proporciona la primera teoría completa de $H_2$ para sistemas BQO. Al establecer la norma $H_2$ , derivar las condiciones de optimalidad y proponer un algoritmo convergente, este trabajo llena un vacío teórico que anteriormente impedía la aplicación sistemática de la reducción de orden de modelo óptima en $H_2$ a esta importante clase de sistemas. El marco unifica y extiende naturalmente las teorías de $H_2$ existentes para sistemas bilineales y LQO. Los resultados numéricos sugieren que el enfoque propuesto ofrece una alternativa competitiva al truncamiento balanceado, logrando a menudo modelos reducidos de mayor fidelidad con menores costos computacionales, especialmente cuando se emplean resolvedores eficientes para las ecuaciones de Sylvester generalizadas subyacentes.

La misión del artículo: Domar los sistemas ondulados

El nuevo kit de herramientas: Una regla "H2"

El algoritmo: La danza "BQO-TSIA"

¿Funciona? La prueba de manejo

La conclusión

Más como este