Résumé technique : Apprentissage de dictionnaire géométrique de systèmes dynamiques avec transport optimal

1. Énoncé du problème

L'apprentissage de systèmes dynamiques (SD) à partir de données repose généralement sur des représentations de type théorique des opérateurs, telles que l'opérateur de Koopman, où les quantités spectrales (valeurs propres, sous-espaces invariants) encodent les échelles de temps et le comportement à long terme. Cependant, les méthodes actuelles font face à deux limitations principales :

1. Estimation spécifique à l'instance : Les opérateurs dynamiques sont généralement estimés indépendamment pour chaque système. Cela empêche la découverte de motifs structurels partagés entre systèmes apparentés, rendant l'apprentissage par transfert et la comparaison mal posés.
2. Pénurie de données et géométrie : Une estimation précise nécessite généralement des trajectoires longues et informatives. Dans des contextes pratiques avec des trajectoires courtes, partielles ou métastables, les estimateurs standards deviennent statistiquement instables. De plus, l'espace des opérateurs dynamiques est non euclidien (spectral et de type théorique des opérateurs), rendant les méthodes classiques d'apprentissage de dictionnaire linéaire inapplicables.

Les approches existantes fournissent soit des représentations d'opérateurs expressives qui restent spécifiques à des instances individuelles, soit permettent une comparaison fondée sur des principes sans soutenir l'apprentissage d'une structure partagée. Il manque un cadre unifié capable de capturer une structure d'opérateur partagée tout en permettant des opérations géométriques et du transfert.

2. Méthodologie : DOODL

Les auteurs proposent DOODL (Dynamical OperatOr Dictionary Learning), un cadre basé sur l'hypothèse que des systèmes dynamiques apparentés se situent près d'une variété de faible dimension dans l'espace des opérateurs spectraux.

2.1 Géométrie spectrale et transport optimal

DOODL opère sur les décompositions spectrales des opérateurs. Pour un opérateur $G$ avec décomposition spectrale $G = \sum \lambda_i P_i$ (où $\lambda_i$ sont les valeurs propres et $P_i$ les projecteurs spectraux), la méthode représente $G$ comme une mesure spectrale discrète $\mu(G)$.
Pour comparer les opérateurs, DOODL utilise la divergence Spectral-Grassmann Optimal Transport (SGOT). Cette métrique aligne conjointement les valeurs propres et les sous-espaces invariants (projecteurs) via un plan de transport optimal, définissant une géométrie sur l'espace des opérateurs qui capture à la fois les échelles de temps dynamiques et les structures cohérentes.

2.2 Apprentissage de dictionnaire sur une variété riemannienne

DOODL apprend un dictionnaire de $d$ dynamiques spectrales caractéristiques (atomes) $\mathcal{G} = \{G_1, \dots, G_d\}$.

• Structure de variété : L'espace des décompositions spectrales est caractérisé comme une variété quotient riemannienne lisse $\mathcal{M} = \mathcal{N} / (\mathbb{C}^*)^r$, où $\mathcal{N}$ est l'espace des valeurs propres et des vecteurs propres bi-orthogonaux. Cette structure prend en compte la non-unicité des vecteurs propres sous redimensionnement.
• Modèle de reconstruction : Contrairement à l'apprentissage de dictionnaire classique qui utilise des combinaisons linéaires, DOODL emploie un modèle de reconstruction non linéaire. Étant donné des coefficients $\alpha$ dans le simplexe $\Delta^{d-1}$, la reconstruction $B_p(\alpha; \mathcal{G})$ effectue une combinaison linéaire des composantes spectrales (valeurs propres, vecteurs propres gauche/droite) suivie d'une projection sur la variété des décompositions spectrales pour restaurer la contrainte de bi-orthogonalité. Cette approche équilibre l'efficacité computationnelle et la fidélité géométrique.
• Optimisation : Le dictionnaire et les coefficients sont appris en minimisant la divergence SGOT moyenne entre les opérateurs observés et leurs reconstructions. L'optimisation est réalisée via une stratégie stochastique de bloc-coordonnées inexacte utilisant la descente de gradient riemannienne sur la variété.

2.3 Estimation d'opérateurs basée sur le dictionnaire

Une application clé de DOODL est l'estimation d'opérateurs à partir de trajectoires courtes. Au lieu d'estimer un opérateur de haute dimension sans contrainte, la méthode restreint l'espace de recherche à la variété d'opérateurs apprise (l'image du modèle de reconstruction). Cela agit comme un régularisateur, réduisant la dimensionnalité effective du problème d'estimation.

3. Garanties théoriques

L'article fournit des garanties statistiques pour l'estimation d'opérateurs à partir de trajectoires courtes (Théorème 1).

• Inégalité d'oracle : Le risque excédentaire de l'estimateur DOODL est borné par un terme de biais (erreur d'approximation de la variété apprise) et un terme de variance.
• Réduction de dimensionnalité : La complexité du terme de variance est régie par la dimension intrinsèque $m$ de la variété d'opérateurs apprise plutôt que par la taille ambiante du dictionnaire $d$.
• Mélange : Les bornes s'appliquent aux trajectoires $\beta$-mélangeantes, avec la taille d'échantillon effective ajustée pour la dépendance temporelle.
• Décroissance du biais : Le biais du dictionnaire s'annule asymptotiquement à mesure que la longueur des trajectoires d'entraînement augmente, confirmant que la variété apprise converge vers la structure sous-jacente réelle.

4. Résultats expérimentaux

Le cadre a été évalué sur deux domaines distincts :

4.1 Dynamique de Langevin métastable

• Configuration : Un système de Langevin amorti unidimensionnel avec un potentiel à deux puits, où la largeur du potentiel $w$ varie.
• Constats :
  • Découverte de variété : DOODL a identifié avec succès que la famille de systèmes se situe sur une variété de faible dimension (environ 1D) dans l'espace des opérateurs. Les atomes appris s'alignaient de manière fluide avec la variation de la largeur du potentiel.
  • Performance sur trajectoires courtes : Dans des régimes avec des trajectoires tronquées (jusqu'à 10k échantillons), DOODL a obtenu des erreurs SGOT une à deux ordres de grandeur inférieures à celles des estimateurs indépendants de régression à rang réduit (RRR) et des bases d'apprentissage de dictionnaire linéaire.
  • Changement de régime : La méthode a permis la détection de changements de régime abrupts en suivant l'évolution des coefficients d'incorporation sur des fenêtres glissantes, démontrant des discontinuités nettes aux moments de commutation.

4.2 Dynamique de plasma turbulent

• Configuration : Simulations de haute dimension de turbulence de plasma de bord (Tokam2D) régies par des paramètres contrôlant les gradients de densité ($\kappa$) et le couplage d'interchange ($g$).
• Chaîne de traitement : La méthode a utilisé un modèle de base d'EDP figé (POSEIDON) pour extraire des descripteurs spatiaux, suivi de l'apprentissage de coordonnées temporelles et de l'estimation de représentations de générateurs de rang fini.
• Constats :
  • Organisation géométrique : La géométrie SGOT a récupéré la structure de variété 2D des régimes de plasma correspondant à $(g, \kappa)$ sans supervision.
  • Récupération de paramètres : La régression des paramètres physiques à partir des coordonnées barycentriques apprises a produit des scores $R^2$ élevés ($0,81$ pour $g$, $0,97$ pour $\kappa$).
  • Identification précoce : La contrainte de l'estimation à la variété spectrale apprise a permis une récupération fiable des opérateurs et une identification de paramètres à partir de préfixes de trajectoires courtes (jusqu'à 3k pas de temps), surpassant nettement l'estimation directe sans contrainte. Le paramètre $\kappa$ (signature spectrale dominante) a été récupéré plus rapidement que $g$ (signature spectrale distribuée).

5. Importance et affirmations

L'article affirme que DOODL offre un cadre fondé sur des principes pour l'apprentissage de représentations transférables dans les systèmes dynamiques. Son importance principale réside dans :

1. Capturer une structure partagée : Il va au-delà de l'estimation spécifique à l'instance pour apprendre un « dictionnaire » partagé de dynamiques spectrales caractéristiques, permettant la comparaison et l'interpolation de systèmes apparentés.
2. Efficacité des données : En contraignant l'estimation à une variété spectrale de faible dimension apprise, DOODL permet une estimation rapide et interprétable d'opérateurs à partir de trajectoires courtes et partiellement observées où les méthodes classiques échouent.
3. Fidélité géométrique : Il respecte la géométrie intrinsèque non euclidienne des opérateurs dynamiques grâce à l'optimisation riemannienne et au transport optimal, évitant les écueils des approximations linéaires naïves dans l'espace des opérateurs.
4. Interprétabilité physique : Les incorporations apprises correspondent à des paramètres physiques et des régimes dynamiques, facilitant l'identification de systèmes et la détection de changements de régime dans des environnements complexes et multi-échelles comme la turbulence de plasma.

Les auteurs reconnaissent des limites, notant que le problème d'optimisation est non convexe et que la variété apprise est statique, ne s'adaptant pas en ligne aux changements de distribution. Des travaux futurs sont suggérés pour explorer des variantes continues et adaptatives.