⚡ electrical engineering

On Data-Driven Koopman Representations of Nonlinear Delay Differential Equations

Cet article propose un cadre d'approximation Koopman de dimension finie pour les équations différentielles à retard, basé sur la discrétisation de l'historique et la décomposition modale dynamique étendue par noyaux, qui fournit des garanties d'erreur déterministes et permet une prédiction et un contrôle fiables de ces systèmes infinis.

Auteurs originaux : Santosh Mohan Rajkumar, Dibyasri Barman, Kumar Vikram Singh, Debdipta Goswami

Publié 2026-04-06

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Santosh Mohan Rajkumar, Dibyasri Barman, Kumar Vikram Singh, Debdipta Goswami

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

Imaginez que vous essayez de prédire la trajectoire d'une balle de ping-pong qui rebondit dans une pièce, mais avec une règle étrange : la façon dont la balle rebondit maintenant dépend non seulement de sa position actuelle, mais aussi de ce qu'elle a fait il y a quelques secondes. C'est le principe des équations différentielles à retard (DDE).

Le problème, c'est que pour connaître l'avenir de cette balle, vous devez vous souvenir de tout son passé récent. C'est comme essayer de retenir une infinité de souvenirs dans votre tête en même temps. Pour les ordinateurs, c'est un cauchemar : l'espace nécessaire pour stocker cette "mémoire" est infini, ce qui rend les prédictions très difficiles et imprécises.

Voici comment les auteurs de cet article (Santosh Mohan Rajkumar et son équipe) ont résolu ce casse-tête, expliqué simplement :

1. Le Problème : La Mémoire Infinie

Dans la vie réelle, beaucoup de systèmes ont ce "retard".

Exemple : Un chauffeur de camion ne réagit pas instantanément à un obstacle ; il y a un temps de réaction.
Exemple : Votre corps régule la température avec un délai.
Pour modéliser cela mathématiquement, il faut regarder l'histoire complète du système, pas juste l'instant présent. C'est comme essayer de dessiner un tableau en regardant une infinité de photos passées simultanément.

2. La Solution : Le "Résumé" Intelligent

Les auteurs proposent une astuce géniale : au lieu de se souvenir de toute l'histoire (l'infini), on la résume en quelques points clés.

Imaginez que vous voulez décrire une longue mélodie. Au lieu d'écouter chaque note de l'histoire, vous notez seulement les notes principales à des moments précis (toutes les 0,1 seconde).

Discrétisation de l'histoire : Ils prennent l'histoire du système et la découpent en petits morceaux (comme des points sur une ligne).
Reconstruction : Ensuite, ils utilisent une méthode mathématique (comme relier les points avec une règle) pour reconstruire une version approximative mais très fidèle de l'histoire originale.

C'est comme passer d'une vidéo 4K ultra-détaillée (infinie) à une image pixelisée mais reconnaissable (finie) que l'ordinateur peut facilement manipuler.

3. La Magie : Le Miroir de Koopman

C'est ici que la partie la plus "sorcier" arrive.
Normalement, ces systèmes à retard sont non-linéaires et chaotiques (comme un tourbillon d'eau). C'est très dur à prédire.
Les auteurs utilisent une technique appelée Opérateur de Koopman.

L'analogie du miroir : Imaginez que vous regardez un objet complexe dans un miroir déformant. Dans le miroir, l'objet semble bizarre. Mais si vous trouvez le bon angle de miroir (le bon "espace de coordonnées"), l'objet apparaît soudainement comme une ligne droite simple.
Ils transforment le système chaotique et complexe en un système linéaire (simple, comme une ligne droite) dans un espace imaginaire. Une fois transformé, on peut utiliser des outils mathématiques très simples (comme de l'algèbre de base) pour prédire l'avenir.

4. La Preuve : "Combien d'erreur avons-nous ?"

La plupart des méthodes d'intelligence artificielle disent : "Fiez-vous à nous, ça marche bien." Mais ici, les auteurs disent : "Voici exactement combien nous pouvons nous tromper."

Ils ont créé une formule qui décompose l'erreur en trois parties, comme un budget de dépenses :

L'erreur de résumé : Combien on perd en ne gardant que quelques points de l'histoire ? (Moins on prend de points, plus on perd de détails).
L'erreur de lissage : Combien on perd en reliant les points ? (Comme dessiner une courbe entre des points).
L'erreur d'apprentissage : Combien on perd parce que les données d'entraînement étaient imparfaites ?

Leur grand avantage est qu'ils peuvent garantir que si vous augmentez la précision (plus de points, plus de données), l'erreur diminue de manière prévisible. C'est comme avoir une carte avec une échelle de précision : vous savez exactement à quel point votre carte est fiable.

5. Le Résultat : Une Prédiction Fiable

Ils ont testé leur méthode sur deux systèmes réels :

Un système simple avec une non-linéarité (comme une réaction chimique).
Un modèle complexe d'interaction entre une tumeur et le système immunitaire.

Les résultats montrent que leur "résumé intelligent" permet de prédire l'évolution du système avec une grande précision, même si le système a des retards complexes.

En Résumé

Imaginez que vous voulez prédire la météo, mais que la météo d'aujourd'hui dépend de l'histoire de la météo des 100 dernières années.

Au lieu de lire 100 ans de journaux, vous en prenez 10 pages clés (Discrétisation).
Vous les transformez en un code simple que l'ordinateur comprend (Koopman).
Vous calculez exactement combien votre prédiction peut être fausse (Garantie d'erreur).

C'est une méthode puissante qui permet de dompter des systèmes complexes et "rétrogrades" pour les rendre prévisibles et contrôlables, avec la sécurité de savoir à quel point on peut faire confiance à la prédiction.

1. Problématique

Les équations différentielles à retard (DDE) sont omniprésentes dans les systèmes d'ingénierie et scientifiques (systèmes de contrôle en réseau, régulation biologique, systèmes mécaniques avec rétroaction retardée). Contrairement aux équations différentielles ordinaires (ODE), les DDEs évoluent dans un espace de phase de dimension infinie, car l'état actuel dépend de l'historique complet de la trajectoire sur un intervalle de temps retardé $[-\tau_d, 0]$ .

Cette nature infinie pose des défis majeurs pour la modélisation, la prédiction et le contrôle :

Les méthodes existantes (réseaux de neurones, SINDy) souffrent souvent d'un compromis difficile entre la fidélité infinie, la tractabilité computationnelle et la fiabilité théorique.
L'extension de l'opérateur de Koopman (une méthode puissante pour linéariser les systèmes non linéaires via des observables) aux DDEs est limitée. Les approches actuelles utilisent des embeddings heuristiques sans fournir de bornes d'erreur explicites, rendant leur utilisation pour le contrôle fiable impossible.

Objectif de l'article : Établir un cadre rigoureux, basé sur les données, pour approximer les DDEs non linéaires par des modèles linéaires de dimension finie, tout en fournissant des garanties d'erreur déterministes explicites et interprétables.

2. Méthodologie

Les auteurs proposent un cadre théorique reliant la dynamique à retard infinie à une représentation de Koopman de dimension finie via trois étapes clés :

A. Discrétisation de l'historique et Reconstruction

Pour gérer la dimension infinie, l'état historique (fonction continue) est discrétisé en un vecteur fini.

Opérateur d'échantillonnage ( $Q$ ) : Projette la fonction d'historique continue sur un ensemble de points discrets uniformes.
Opérateur de reconstruction ( $R$ ) : Interpôle linéairement les points discrets pour reconstruire une fonction continue par morceaux (affine par morceaux).
Approximation : La dynamique exacte sur l'espace continu est approximée par une dynamique sur l'espace discret $Z$ , introduisant une erreur de discrétisation contrôlée par la finesse du maillage $\delta(M)$ .

B. Opérateur de Koopman et kEDMD

L'opérateur de Koopman agit sur l'espace des observables (fonctions de l'état).

Les auteurs définissent un opérateur de Koopman induit sur l'espace discret $Z$ .
Ils utilisent la Décomposition de Mode Dynamique Étendue basée sur les Noyaux (kEDMD). Au lieu d'utiliser des bases polynomiales fixes, ils emploient des noyaux à base radiale (RBF) de type Wendland pour définir un Espace de Hilbert à Noyau Reproductible (RKHS).
Cela permet d'apprendre une matrice de transition linéaire $A$ qui approxime l'évolution des observables dans l'espace de Hilbert.

C. Reconstruction de l'état

Un mécanisme basé sur l'interpolation par noyaux est développé pour reconstruire l'état discret $z$ à partir des coordonnées de Koopman élevées (lifted coordinates), permettant ainsi de revenir à l'espace d'état physique.

3. Contributions Clés

L'article apporte quatre contributions théoriques et pratiques majeures :

Réalisation de Koopman pour les DDEs : Établissement d'un lien rigoureux entre la dynamique à retard infinie et une représentation de dimension finie via un cadre d'échantillonnage-reconstruction, créant un modèle de substitution (surrogate) traitable.
Modèle linéaire de substitution basé sur les données : Construction d'un modèle linéaire utilisant kEDMD avec des noyaux RBF de Wendland, qui approxime rigoureusement l'opérateur de Koopman infini défini sur l'espace de Banach des fonctions d'historique.
Garanties d'erreur déterministes (Théorème 1) : C'est la contribution centrale. Les auteurs dérivent une borne d'erreur explicite pour le prédicteur appris. L'erreur totale est décomposée en trois termes :
- Erreur de discrétisation de l'historique : Proportionnelle à la taille du pas de grille $\delta(M)$ .
- Erreur d'interpolation par noyau : Dépend de la distance de remplissage ( $h_X$ ) des points de données et de la régularité du noyau.
- Erreur de régression basée sur les données : Dépend de la densité locale des données ( $\rho$ ) et de la conditionnement de la matrice de noyau.
Reconstruction d'état avec garanties : Développement d'une méthode pour récupérer l'état discret à partir des coordonnées de Koopman, avec des bornes d'erreur prouvées sur la prédiction de l'état.

4. Résultats Numériques

Les auteurs valident leur approche sur deux systèmes non linéaires :

Une DDE scalaire avec une non-linéarité de type Hill.
Un modèle d'interaction tumeur-immunité (système planaire à retard).

Résultats observés :

Convergence : L'erreur de prédiction moyenne diminue lorsque la résolution de discrétisation ( $M$ ) augmente et que la densité de données ( $p$ ) s'accroît.
Impact des paramètres : Une réduction du rayon de voisinage $\rho$ (pour la régression locale) réduit l'erreur de régression, confirmant la théorie.
Précision : Les trajectoires prédites correspondent étroitement aux trajectoires réelles (simulées par dde23 de MATLAB), tant pour les états discrets que pour la valeur actuelle de la fonction d'état.
Comparaison : Les modèles avec une discrétisation plus fine ( $M=3$ ) surperforment ceux avec une discrétisation grossière ( $M=2$ ), validant la dépendance théorique à $\delta(M)$ .

5. Signification et Impact

Ce travail comble un fossé théorique important entre la théorie des systèmes dynamiques à retard et l'apprentissage automatique moderne.

Fiabilité théorique : Contrairement aux méthodes "boîte noire" (comme les réseaux de neurones profonds), cette approche offre des bornes d'erreur explicites. Cela est crucial pour les applications de contrôle où la sécurité et la stabilité sont primordiales.
Passage à l'échelle : En réduisant la complexité infinie des DDEs à un problème de régression linéaire en dimension finie, la méthode rend le contrôle et l'analyse de systèmes à retard complexes computable.
Applications futures : Le cadre ouvre la voie à la synthèse de contrôleurs en boucle fermée pour des systèmes à retard et à l'analyse de systèmes en réseau de grande dimension, là où les méthodes traditionnelles échouent souvent.

En résumé, cet article propose une fondation mathématiquement solide pour l'apprentissage, la prédiction et le contrôle des systèmes non linéaires à retard, en transformant un problème infini en un problème fini avec des garanties de performance quantifiables.