⚡ electrical engineering

KKL Observer Synthesis for Nonlinear Systems via Physics-Informed Learning

Cet article propose un nouveau cadre d'apprentissage informé par la physique pour la conception d'observateurs de Kazantzis-Kravaris (KKL) pour les systèmes non linéaires en utilisant des réseaux de neurones pour apprendre la transformation d'état requise et son inverse, tout en fournissant des garanties théoriques sur la robustesse et la performance non asymptotique qui démontrent une généralisation supérieure par rapport aux méthodes existantes.

Auteurs originaux : M. Umar B. Niazi, John Cao, Matthieu Barreau, Karl Henrik Johansson

Publié 2026-08-12

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : M. Umar B. Niazi, John Cao, Matthieu Barreau, Karl Henrik Johansson

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La Carte Invisible et la Boule de Cristal

Imaginez que vous essayiez de diriger un vaisseau spatial à travers une tempête, mais que votre cockpit ne possède qu'une seule ampoule vacillante vous montrant la couleur des nuages à l'extérieur. Vous ne pouvez pas voir la vitesse du vaisseau, son niveau de carburant, ni sa position exacte. Pour voler en toute sécurité, vous avez besoin d'une « boule de cristal » — un outil mathématique appelé observateur — qui prend ce signal lumineux unique et flou pour deviner l'état complet et caché du vaisseau. Dans le monde réel, les capteurs sont souvent défaillants, coûteux ou simplement absents, c'est pourquoi les ingénieurs s'appuient sur ces boules de cristal mathématiques pour combler les lacunes.

Pour les machines simples et prévisibles, nous disposons de superbes boules de cristal depuis des décennies. Mais quand la machine est sauvage, chaotique et non linéaire (comme un pendule double oscillant frénétiquement ou un cœur battant de manière irrégulière), les mathématiques deviennent incroyablement complexes. Une méthode puissante, connue sous le nom d'observateur KKL, tente de résoudre ce problème en imaginant un « monde d'ombre » secret et de dimension supérieure où le chaos se transforme en une ligne droite et calme. Si vous pouvez trouver la carte pour entrer dans ce monde d'ombre et la carte pour en ressortir, vous pouvez prédire l'avenir parfaitement. Le problème est que trouver ces cartes revient à essayer de résoudre un puzzle dont les pièces sont invisibles et dont l'image change constamment. Cet article s'attaque à ce puzzle impossible en apprenant aux ordinateurs à découvrir ces cartes eux-mêmes, en utilisant les lois de la physique comme un professeur rigoureux.

Enseigner aux ordinateurs à dessiner des cartes invisibles

Les auteurs de cet article, des chercheurs de la KTH Royal Institute of Technology et de l'Université d'Oxford, proposent une nouvelle méthode ingénieuse pour construire ces « boules de cristal » pour des systèmes complexes et non linéaires. Leur objectif est de concevoir un observateur KKL, qui fonctionne comme un tour de magie en deux étapes. Premièrement, il prend l'état réel et désordonné d'un système et le transforme en un « espace d'ombre » de dimension supérieure où les règles sont simples et linéaires (comme une ligne droite). Deuxièmement, il doit inverser le tour, en prenant cette ombre simple et en la projetant à nouveau vers le monde réel et désordonné pour nous donner une estimation précise de ce qui se passe.

Le grand obstacle a toujours été de trouver ces deux cartes : celle qui entre et celle qui sort. Traditionnellement, résoudre les équations mathématiques (équations aux dérivées partielles) pour trouver ces cartes est un cauchemar, souvent impossible à faire à la main. Les tentatives précédentes utilisant l'Intelligence Artificielle (IA) pour apprendre ces cartes ont souvent échoué. Elles essayaient d'apprendre la carte « d'entrée » et la carte « de sortie » simultanément, comme si l'on essayait d'apprendre à nouer ses lacets gauche et droit en même temps tout en ayant les yeux bandés. Cela confondait souvent l'IA, menant à de mauvaises estimations ou à un cycle où elle ne pouvait pas s'améliorer.

La solution de l'article : Une danse étape par étape
Au lieu de tout faire en même temps, les auteurs suggèrent une approche d'apprentissage séquentiel. Ils enseignent à l'IA en deux étapes distinctes :

Première étape (Le professeur de physique) : D'abord, ils entraînent un réseau de neurones pour apprendre la carte « d'entrée ». Mais voici le tour de l'histoire : ils ne se contentent pas de lui montrer des données ; ils le forcent à obéir aux lois de la physique. Ils utilisent une technique appelée Apprentissage Informé par la Physique (Physics-Informed Learning). Imaginez enseigner à un étudiant non pas seulement en lui montrant des réponses, mais en lui donnant un manuel de règles qu'il doit suivre. Si l'estimation de l'étudiant enfreint une règle de physique, le professeur (l'ordinateur) lui inflige une lourde pénalité. Cela garantit que la carte n'est pas seulement une chance basée sur les données, mais une solution qui respecte réellement la façon dont le système se déplace.
Deuxième étape (L'ingénieur inverse) : Une fois la carte « d'entrée » apprise et verrouillée, ils l'utilisent pour générer de nouvelles données d'entraînement parfaites. Ensuite, ils entraînent un second réseau de neurones pour apprendre la carte « de sortie » (l'inverse). Comme la première carte est déjà fixée, le second réseau dispose d'une cible claire et stable pour viser, évitant ainsi la confusion du problème des « lacets les yeux bandés ».

Ce qu'ils ont trouvé
Les chercheurs ont testé cette méthode sur des systèmes mathématiques célèbres et complexes : l'oscillateur de Duffing inversé, l'oscillateur de Van der Pol, et les attracteurs chaotiques de Rössler et de Lorenz (célèbres pour leur chaos en forme de papillon). Ils ont simulé ces systèmes avec des données bruitées, tout comme le sont souvent les capteurs du monde réel.

Les résultats sont prometteurs. Dans leurs simulations, leur nouvelle méthode (qu'ils appellent SPINN) a systématiquement deviné les états cachés avec plus de précision que les autres méthodes d'IA de haut niveau. De manière cruciale, elle a montré un superpouvoir appelé généralisation. Lorsqu'ils ont testé l'IA sur des situations qu'elle n'avait jamais vues auparavant — comme un système oscillant avec une énergie beaucoup plus élevée que celle avec laquelle elle s'était entraînée — SPINN a continué de fonctionner. Les autres méthodes, qui reposaient uniquement sur les données sans les règles du « manuel de physique », avaient tendance à échouer de manière spectaculaire en dehors de leur zone d'entraînement.

L'article fournit également un filet de sécurité mathématique. Ils ont prouvé que même si l'IA commet de petites erreurs, l'observateur ne deviendra pas fou ; l'erreur restera bornée et gérable, même si le système est bruité ou légèrement incertain. Ils ont montré que plus on donne de données à l'IA et plus le réseau est complexe, meilleure est l'estimation, mais que les règles de la physique sont ce qui l'empêche de partir à la dérive.

Ce qu'il n'est pas
Il est important de noter ce que cet article ne fait pas. Les auteurs précisent avec soin qu'il s'agit d'une preuve basée sur la simulation. Ils n'ont pas encore construit de robot physique ou de véritable voiture pour tester cela ; ils l'ont testé sur des modèles informatiques de systèmes chaotiques. Ils argumentent également explicitement contre l'idée d'apprendre les cartes directe et inverse simultanément, montant que cette approche « conjointe » conduit souvent à de moins bons résultats en raison d'instructions contradictoires pour l'IA. De plus, bien qu'ils mentionnent des travaux futurs, ce papier spécifique ne résout pas le problème des systèmes qui changent au fil du temps (systèmes non autonomes) ou des systèmes avec des contrôles externes ; il se concentre strictement sur les systèmes qui fonctionnent de manière autonome.

En résumé, l'article suggère qu'en apprenant à l'IA à respecter les lois de la physique d'abord, puis en lui apprenant à inverser le processus étape par étape, nous pouvons construire des « boules de cristal » beaucoup plus intelligentes et fiables pour prédire le comportement des machines les plus chaotiques du monde.

Résumé Technique : Synthèse d'Observateur KKL pour Systèmes Non Linéaires via l'Apprentissage Informé par la Physique

1. Énoncé du Problème

L'article traite du défi de la conception d'observateurs de Kazantzis-Kravaris/Luenberger (KKL) pour les systèmes autonomes non linéaires. Un observateur KKL repose sur une application de transformation de coordonnées injective, $T$ , qui élève un système non linéaire vers un espace de dimension supérieure où sa dynamique est linéaire jusqu'à l'injection de sortie et stable. L'observateur reproduit ensuite cette dynamique linéaire et ramène l'état vers les coordonnées d'origine en utilisant l'application inverse $T^*$ .

La synthèse de tels observateurs se heurte à deux obstacles majeurs :

Intraitabilité Analytique : Trouver l'application de transformation $T$ nécessite de résoudre une équation aux dérivées partielles (EDP) spécifique, ce qui est numériquement difficile. De plus, le calcul de l'application inverse $T^*$ de manière analytique ou numérique est souvent irréalisable.
Limitations de l'Apprentissage : Les approches existantes basées sur l'apprentissage (par exemple, les architectures encodeur-décodeur conjointes) souffrent souvent de gradients conflictuels pendant l'entraînement, ce qui conduit à des minima locaux sous-optimaux et une faible généralisation, particulièrement lorsque l'état initial du système s'écarte de la distribution d'entraînement. De plus, les méthodes purement fondées sur les données peuvent échouer à respecter les contraintes physiques sous-jacentes de la dynamique du système.

2. Méthodologie

Les auteurs proposent un nouveau cadre d'apprentissage séquentiel qui découple l'apprentissage de l'application de transformation directe ( $T$ ) et de son inverse ( $T^*$ ), en utilisant des Réseaux de Neurones Informés par la Physique (PINNs).

2.1 Architecture d'Apprentissage Séquentiel

Contrairement aux travaux précédents qui entraînent un auto-encodeur (apprenant conjointement $T$ et $T^*$ ), cette méthode emploie un processus en deux étapes :

Apprentissage de l'Application Directe ( $\hat{T}_\theta$ ) : Un réseau de neurones est entraîné pour approximer l'application de transformation $T$ . L'objectif d'entraînement combine un terme d'ajustement aux données (correspondant aux trajectoires synthétiques) avec un terme de régularisation informé par la physique. Ce terme pénalise le résidu de l'EDP directrice :
$\mathcal{P}_\theta(x) = \frac{\partial \hat{T}_\theta}{\partial x}(x)f(x) - A\hat{T}_\theta(x) - Bh(x)$
où $f$ et $h$ sont les fonctions de dynamique et de sortie du système, et $A, B$ sont des matrices d'observateur fixes.
Apprentissage de l'Application Inverse ( $\hat{T}^*_\eta$ ) : Une fois l'application directe entraînée et fixée, un second réseau de neurones est entraîné pour apprendre l'inverse. Il minimise le risque de reconstruction en faisant correspondre les états latents estimés vers l'espace d'état d'origine :
$\min_\eta \mathbb{E}_{x \sim D_X} [\|x - \hat{T}^*_\eta(\hat{T}_\theta(x))\|^2]$

2.2 Génération de Données

Des données synthétiques sont générées en simulant la dynamique du système et la dynamique de l'observateur linéaire. Pour gérer les conditions initiales inconnues de l'état de l'observateur $z(0)$ , les auteurs exploitent la stabilité de l'observateur (matrice $A$ de Hurwitz). Ils simulent des trajectoires à partir de points initiaux aléatoires et rejettent la partie transitoire de la trajectoire $z$ , garantissant que les points de données restants sont effectivement indépendants de l'état initial de l'observateur et se situent sur la variété invariante.

2.3 Garanties Théoriques

L'article établit des garanties d'apprentissage non asymptotiques :

Bornes de Généralisation : En utilisant la théorie de la pseudo-dimension, les auteurs dérivent des bornes de haute probabilité sur les erreurs d'approximation des applications directe et inverse.
Robustesse : L'article prouve que l'erreur d'estimation moyenne en régime permanent est bornée par l'erreur d'approximation de l'apprentissage et les incertitudes du système (écart de modèle et bruit de mesure). Plus précisément, l'erreur converge vers un voisinage de zéro déterminé par la qualité de l'application inverse apprise et l'amplitude des perturbations externes.

3. Principales Contributions

Stratégie d'Apprentissage Séquentiel : L'article introduit une approche séquentielle pour l'apprentissage des observateurs KKL, évitant les gradients conflictuels inhérents à l'entraînement conjoint d'un encodeur-décodeur. Cela améliore la stabilité de l'optimisation et la précision.
Régularisation Informée par la Physique : En incorporant l'EDP KKL comme terme de perte, la méthode impose une cohérence physique, agissant comme un puissant régularateur qui empêche le surapprentissage des données d'entraînement et permet l'extrapolation vers des états non vus.
Analyse Théorique : Ce travail fournit des bornes non asymptotiques rigoureuses reliant la minimisation du risque empirique à l'erreur d'approximation réelle. Il prouve également que l'observateur résultant est robuste tant aux erreurs d'apprentissage qu'aux incertitudes du système, garantissant une erreur d'estimation moyenne temporellement bornée.
Validation Empirique : L'approche est validée sur quatre systèmes non linéaires de référence (Duffing inversé, Van der Pol, Rössler et attracteurs de Lorenz), démontrant des capacités de généralisation supérieures par rapport aux méthodes de pointe fondées sur les données (Neural ODEs, commutation profonde sans modèle, et auto-encodeurs non supervisés).

4. Résultats

Les simulations numériques sur les systèmes de référence démontrent que la méthode proposée (appelée SPINN) atteint :

Une Précision Supérieure : Un SMAPE (Erreur Absolue Moyenne Symétrique en Pourcentage) plus faible par rapport aux méthodes concurrentes.
Une Généralisation Supérieure : La méthode maintient des performances élevées lors de tests sur des conditions initiales hors du domaine d'entraînement (validation hors domaine), là où les méthodes purement fondées sur les données (comme NODE et DMF) se dégradent considérablement.
Une Robustesse : L'observateur estime efficacement les états en présence de bruit de mesure et d'incertitudes de modèle, respectant les bornes théoriques dérivées.

Les auteurs attribuent ce succès au fait que la contrainte de l'EDP agit comme un biais inductif, ce qui restreint l'espace d'hypothèses et force le réseau de neurones à apprendre des applications qui préservent les invariants du système (ex: cycles limites), même dans des régions non couvertes par les données d'entraînement.

5. Signification et Revendications

L'article affirme que sa principale importance réside dans le dépassement des limites des synthèses d'observateurs basées sur l'apprentissage existantes, spécifiquement la difficulté de trouver des inverses analytiques et la faible généralisation des modèles purement fondés sur les données.

Utilité Pratique : La méthode fournit un moyen systématique de concevoir des observateurs KKL pour des systèmes non linéaires généraux pour lesquels les solutions analytiques sont indisponibles.
Fiabilité : En fournissant des garanties théoriques de robustesse et des bornes d'erreur non asymptotiques, l'article positionne l'observateur appris comme un outil fiable pour les applications critiques de sécurité, contrairement aux approches d'apprentissage de type "boîte noire".
Perspectives Futures : Les auteurs notent modestement que les travaux futurs se concentreront sur l'extension de ce cadre aux systèmes non autonomes et contrôlés (impliquant des EDP variant dans le temps) et sur l'intégration de l'identification de système avec la conception d'observateur pour les scénarios où les modèles de système sont inconnus. Ils suggèrent également d'explorer l'apprentissage actif pour optimiser l'échantillonnage des données.

L'article conclut que l'approche d'apprentissage séquentiel informée par la physique offre une solution robuste et généralisable pour la synthèse d'observateurs KKL, comblant ainsi le fossé entre la théorie de contrôle rigoureuse et l'apprentissage automatique moderne.