Approximate Feedback Linearization for a Nonlinear Hyperbolic PDE Class -- Part II: Neural Operator

Résumé Technique : Linéarisation par Feedback Approchée pour une Classe d'EDP Hyperboliques Non Linéaires — Partie II : Opérateur Neuronal

Énoncé du Problème
Cet article traite de l'intraitabilité computationnelle de la mise en œuvre d'une linéarisation par feedback exacte pour une classe d'équations aux dérivées partielles (EDP) hyperboliques non linéaires. Alors que la Partie I de ce travail a établi qu'un troncature d'ordre fini du linéarisateur de Volterra par feedback assure la stabilité en boucle fermée, le contrôleur résultant reste prohibitivement coûteux pour une application en temps réel. Plus précisément, l'évaluation du contrôleur tronqué nécessite :

1. La résolution d'une « tour » de $N-1$ EDP de noyaux linéaires propres à la plante sur des simplexes croissants pour générer les noyaux de feedback.
2. L'exécution d'intégrales imbriquées $N$ fois sur ces noyaux précalculés pour chaque mise à jour du contrôle.

Ces opérations sont « propres à la plante », ce qui signifie que tout changement dans la non-linéarité $F$ de la plante nécessite de résoudre les EDP de noyaux à partir de zéro. Cet article propose de remplacer le contrôleur tronqué explicite et lourd sur le plan computationnel par un substitut d'opérateur neuronal appris afin d'éliminer la résolution de noyaux en ligne et l'intégration imbriquée, tout en préservant les garanties de stabilité.

Méthodologie
La méthodologie centrale consiste à apprendre une application de la forme des coefficients de la non-linéarité de la plante et de l'état du système directement vers l'entrée de commande à la frontière, contournant ainsi l'étape intermédiaire de résolution des EDP de noyaux.

1. Continuité de Lipschitz Conjointe : Les auteurs établissent d'abord que l'opérateur de feedback de Volterra tronqué, noté $U_N(f_N, u)$, est conjointement Lipschitz continu par rapport aux coefficients de la plante $f_N$ (les noyaux de Volterra de la non-linéarité) et à l'état $u$. Il s'agit d'une étape théorique cruciale, car elle garantit que l'opérateur est continu sur des ensembles compacts, satisfaisant ainsi les prérequis pour l'approximation universelle.
2. Substitut par Opérateur Neuronal : S'appuyant sur la propriété de Lipschitz, l'article utilise un opérateur neuronal (plus précisément une architecture MIONet) pour approximer $U_N$. Le réseau est entraîné sur un ensemble de données comprenant des paires de coefficients de plante et d'états, mappés vers les valeurs de commande exactes tronquées. Une fois entraîné, l'opérateur neuronal $\hat{U}_N$ agit comme un substitut direct, prenant $(f_N, u)$ en entrée et produisant la commande $U(t)$ en une seule passe directe (forward pass).
3. Analyse en Boucle Fermée : La stabilité du système en boucle fermée sous ce feedback de substitution est analysée. Il est démontré que le résidu de bordie pilotant l'équation de transport cible se compose de deux composantes : l'erreur de troncature (issue de la Partie I) et l'erreur d'approximation de l'opérateur neuronal ($\epsilon$).

Contributions Clés
L'article présente trois contributions théoriques et pratiques majeures :

• Résultat de Continuité de Lipschitz : Il prouve que l'opérateur de feedback de Volterra tronqué est localement Lipschitz sur des ensembles bornés de coefficients de plante et d'états. Ce résultat sert de fondement mathématique aux garanties d'approximation ultérieures.
• Existence du Substitut Neuronal : Il établit l'existence d'une approximation par opérateur neuronal $\hat{U}_N$ capable d'atteindre toute précision de norme infinie prescrite sur des ensembles bornés de plantes et d'états, absorbant ainsi efficacement la résolution des EDP de noyaux et l'intégration imbriquée en une seule application apprise.
• Théorème de Stabilité Pratique : Il prouve que le système en boucle fermée sous le feedback de l'opérateur neuronal conserve les quatre propriétés de stabilité établies dans la Partie I (invariance vers l'avant, stabilité pratique, attractivité en temps fini et estimations asymptotiques de classe-$\mathcal{KL}$). Crucialement, l'enveloppe asymptotique est montrée être de la forme $\|u(\cdot, t)\|_\infty \leq \beta(\|u_0\|_\infty, t) + \gamma(\epsilon)$, où la boule résiduelle varie linéairement avec la précision d'entraînement $\epsilon$.

Résultats
L'article valide le cadre par des expériences numériques à l'ordre de troncature $N=3$ :

• Stabilisation : Le contrôleur appris stabilise avec succès des plantes hyperboliques non linéaires qui sont instables en boucle ouverte.
• Robustesse : Le substitut, entraîné sur une distribution spécifique de paramètres de plante, stabilise des plantes non vues (différents paramètres de non-linéarité) et diverses conditions initiales sans réentraînement.
• Troncature vs Approximation : Les résultats démontrent que, bien que l'opérateur neuronal introduise une erreur d'approximation $\epsilon$ (résultant en un plancher résiduel de $\sim 10^{-3}$), il maintient la stabilité même dans des régimes où les troncatures d'ordre inférieur (par exemple, $N=2$) échouent en raison de coefficients de non-linéarité élevés.
• Efficacité Computationnelle : Le résultat pratique le plus significatif est l'accélération computationnelle. L'implémentation classique du contrôleur $N=3$ nécessite la résolution d'EDP de noyaux et d'intégrales imbriquées, prenant environ 3,95 secondes par évaluation. L'opérateur neuronal entraîné évalue la même loi de commande en environ 1 milliseconde, soit un facteur d'accélération d'environ 4 000$\times$.

Signification et Revendications
L'article se positionne comme la réalisation pratique du cadre théorique introduit dans la Partie I. Si la Partie I rendait le contrôleur « implémentable en principe » par la troncature de la série infinie, ce travail le rend « implémentable en pratique, une fois pour toutes par classe de plante ».

Les auteurs affirment qu'en apprenant l'opérateur directement, la méthode élimine la nécessité de la résolution de noyaux en ligne, qui est le principal goulot d'étranglement pour le contrôle en temps réel des EDP non linéaires. La signification réside dans la preuve rigoureuse que cette approximation ne sacrifie pas la stabilité ; le système reste pratiquement stable avec une erreur résiduelle qui est explicitement bornée et proportionnelle linéairement à la précision d'entraînement du réseau neuronal. À mesure que la précision d'entraînement tend vers zéro, le comportement du contrôleur de Volterra exact tronqué (et ultimement du linéarisateur de Volterra infini exact) est récupéré.