🤖 machine learning

Learning piecewise-smooth dynamical systems

Cet article présente un cadre modulaire pour la découverte de systèmes dynamiques par morceaux à partir de données de trajectoires en combinant l'analyse statistique de l'identifiabilité des hyperplans de commutation avec des réseaux de neurones à contraintes géométriques afin d'apprendre les équations directrices et de caractériser les comportements discontinus tels que le mouvement de glissement.

Auteurs originaux : Davide Murari, Erik Jansson, Chris Budd OBE, Carola-Bibiane Schönlieb

Publié 2026-08-21

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Davide Murari, Erik Jansson, Chris Budd OBE, Carola-Bibiane Schönlieb

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

Dans le monde physique, de nombreux systèmes ne changent pas leur comportement de manière graduelle. Une boîte lourde poussée sur un sol ne glisse pas de façon fluide dès le départ ; elle reste immobile, résistant à chaque poussée, jusqu'à ce que la force devienne assez grande pour rompre l'adhérence statique, et qu'elle se mette alors soudainement en mouvement. Une charnière de porte rigide ne tourne pas avec un mouvement fluide, mais accroche et se relâche par petits pas saccadés. Ce sont des exemples de systèmes qui basculent entre des modes de comportement distincts. En mathématiques, de tels systèmes sont décrits par des règles qui sont fluides et prévisibles au sein de chaque mode, mais qui sautent brusquement lorsque le système franchit une frontière spécifique. Ces frontières ne sont pas seulement des lignes sur un graphique ; elles sont les seuils physiques où la friction cède la place au mouvement, ou là où un système climatique passe d'un état stable à un autre. Comprendre ces systèmes est crucial pour les ingénieurs concevant des robots, pour les climatologues modélisant les âges glaciaires, et pour quiconque tente de prédire comment une machine complexe se comportera lorsqu'elle atteint une limite. Cependant, lorsque les scientifiques tentent d'apprendre les règles de tels systèmes à partir de données observées, ils sont confrontés à un défi unique : si l'emplacement de la frontière est erroné, toute la prédiction échoue, peu importe la précision avec laquelle le mouvement de chaque côté est compris.

Une équipe de chercheurs de l'Université de Cambridge et de l'Université de Bath a développé une nouvelle méthode pour résoudre ce problème. Leurs travaux se concentrent sur la découverte des règles cachées de ces systèmes « par morceaux et lisses » directement à partir de données de trajectoire, qui sont simplement des enregistrements de la façon dont un système se déplace au fil du temps. Au lieu d'essayer de deviner l'ensemble du système d'un seul coup, les chercheurs ont divisé la tâche en deux étapes distinctes. D'abord, ils cherchent les frontières elles-mêmes. Ils analysent les trajectoires enregistrées pour trouver des sauts soudains de vitesse ou de direction, qui agissent comme des signaux indiquant que le système a franchi un seuil. En utilisant une technique statistique robuste, ils filtrent le bruit et les fausses alertes causés par des données imprécises afin de localiser précisément l'emplacement et l'angle de ces lignes de division invisibles. Une fois la géométrie des frontières établie, la seconde étape commence. Les chercheurs enseignent ensuite à un modèle informatique à apprendre les règles spécifiques du mouvement pour chaque région séparée par ces frontières. Crucialement, ils ont conçu le modèle informatique de telle sorte qu'il lui soit physiquement impossible d'inventer de nouvelles frontières fictives. Il est contraint de respecter la carte créée lors de la première étape, apprenant uniquement comment le système se déplace à l'intérieur des zones autorisées.

Les chercheurs ont testé cette approche en deux étapes sur plusieurs scénarios du monde réel, incluant un oscillateur mécanique qui imite le mouvement de glissement saccadé d'un bloc glissant sur une surface rugueuse, ainsi qu'un modèle climatique complexe qui décrit le cycle des âges glaciaires sur des milliers d'années. Dans le modèle climatique, le système bascule entre des périodes d'absorption lente du dioxyde de carbone et de libération soudaine, un processus qui commande la croissance et le retrait des calottes glaciaires. Dans chaque test, la méthode s'est révélée hautement efficace. Lorsque les chercheurs connaissaient les véritables frontières à l'avance, leur modèle apprenait le mouvement avec une précision extrême, reproduisant le comportement du système avec des erreurs bien moindres que celles des modèles lisses standards. Plus impressionnant encore, lorsqu'ils devaient découvrir les frontières à partir de zéro en utilisant des données bruitées, la méthode réussissait tout de même. Elle identifiait correctement l'emplacement des plans de commutation et apprenait la dynamique suffisamment bien pour prédire le chemin futur du système pendant des centaines de pas de temps. Les résultats ont montré qu'en séparant la tâche de trouver la carte de la tâche d'apprendre le voyage, les chercheurs pouvaient construire des modèles qui étaient non seulement plus précis, mais aussi beaucoup plus efficaces, utilisant nettement moins de ressources de calcul que les méthodes traditionnelles.

L'étude a également révélé les limites de ce qui peut être appris. Les chercheurs ont constaté que la méthode fonctionne mieux lorsque le système traverse réellement les frontières avec suffisamment de force pour créer un signal clair. Si le système ne fait qu'effleurer la frontière ou la traverse très lentement, le signal devient trop faible pour être distingué du bruit de fond, et la méthode peine à trouver la ligne. Cependant, lorsque le passage est net, l'approche est robuste. L'équipe a démontré que leur nouvelle architecture pouvait approximer le comportement complexe et discontinu de ces systèmes avec une précision arbitraire, à condition que les frontières soient connues ou correctement identifiées. Cela représente une avancée significative dans le domaine de l'apprentissage automatique scientifique, où l'objectif est de construire des modèles qui respectent les structures physiques connues du monde plutôt que de simplement mémoriser des motifs dans les données. En enseignant explicitement à l'ordinateur à chercher et à respecter les endroits où les règles changent, les chercheurs ont créé un outil capable de dévoiler la logique cachée des systèmes qui sautent, glissent et basculent, offrant une fenêtre plus claire sur la mécanique de tout, de la friction sèche aux changements climatiques de la Terre.

Résumé Technique : Apprentissage de Systèmes Dynamiques à Régimes Discontinus (Piecewise-Smooth)

Énoncé du Problème
L'article traite du défi que représente la découverte de systèmes dynamiques directement à partir de données de trajectoires lorsque la dynamique sous-jacente est discontinue. Bien que les méthodes fondées sur les données aient progressé de manière significative pour les systèmes lisses, elles peinent souvent face aux systèmes à régimes discontinus (systèmes de Filippov), courants dans des applications telles que le frottement mécanique, le contrôle par mode de glissement et la dynamique climatique (par exemple, les cycles glaciaires). Dans ces systèmes, le champ de vecteurs est lisse au sein de régions polyédriques distinctes, mais présente des sauts à travers des hyperplans de commutation. La difficulté fondamentale réside non seulement dans l'apprentissage de la dynamique lisse au sein de chaque régime, mais aussi dans la détection précise de la géométrie des hyperplans de commutation et la caractérisation des comportements tels que le mouvement de glissement. Un hyperplan de commutation mal positionné invalide le modèle, quelle que soit la précision de la dynamique locale.

Méthodologie
Les auteurs proposent un cadre modulaire en deux étapes qui sépare l'« apprentissage de la géométrie » de l'« apprentissage de la dynamique ».

Apprentissage de la Géométrie (Récupération de l'Hyperplan de Commutation) :
- La première étape estime l'arrangement des hyperplans de commutation affines à partir des données de trajectoire.
- La méthode repose sur la détection de sauts dans les vitesses estimées. Elle utilise un différenciateur de Savitzky–Golay pour calculer les estimations de vitesse à partir d'observations bruitées, puis calcule les sauts de vitesse ( $\Delta v$ ) entre des échantillons consécutifs.
- Les points candidats proches des discontinuités sont identifiés en conservant les intervalles présentant les plus grandes amplitudes de saut ainsi que leurs voisins.
- Pour ajuster l'hyperplan de manière robuste face aux valeurs aberrantes (causées par le bruit, la courbure ou les artefacts d'estimation), les auteurs utilisent le consensus aléatoire par échantillonnage (RANSAC) afin de trouver un sous-ensemble cohérent de candidats, suivi d'un raffinement par moindres carrés totaux (TLS).
- Cette étape peut être ignorée si la géométrie de commutation est connue a priori.
Apprentissage de la Dynamique (Réseaux de Neurones Préservant la Géométrie) :
- Une fois une partition (soit récupérée, soit prescrite) établie, la seconde étape apprend le champ de vecteurs au sein de chaque région.
- Les auteurs introduisent une nouvelle architecture de réseau de neurones conçue pour être « préservatrice de la géométrie ». Le réseau est construit de telle sorte que ses discontinuités sont strictement confinées à l'arrangement d'hyperplans prescrits.
- L'architecture utilise un mécanisme de porte spécifique basé sur la fonction de Heaviside appliquée aux distances signées des hyperplans ( $z_P(x)$ ). Cela permet au réseau de basculer entre différents sous-réseaux lisses ( $\Phi$ et $\Psi$ ) sans introduire de discontinuités parasites ailleurs.
- L'entraînement minimise une fonction de perte composite incluant l'appariement de trajectoire (erreur de déroulement/rollout), la supervision du champ de vecteurs et des régulariseurs directionnels (pénalités normales et tangentielles) pour assurer la cohérence avec la dynamique de glissement de Filippov.

Contributions Clés

Cadre en deux étapes : Une approche « géométrie d'abord » qui récupère les arrangements d'hyperplans de commutation avant d'ajuster les champs de vecteurs, permettant des biais inductifs indépendants pour la géométrie et la dynamique.
Analyse de Détectabilité : Une analyse théorique quantifiant les conditions dans lesquelles les hyperplans de commutation sont identifiables à partir de données bruitées. Elle établit une relation entre l'amplitude du saut, le bruit d'observation, l'erreur d'estimation de la dérivée et la vitesse de traversée normale, montrant qu'un ratio « saut-sur-bruit » suffisant est requis pour une récupération fiable.
Architecture Préservant la Géométrie : Une nouvelle classe de réseaux de neurones qui approxime des champs de vecteurs à régimes discontinus avec une précision arbitraire sur des ensembles compacts, tout en garantissant que les discontinuités se produisent uniquement sur les surfaces de commutation prescrites. Les auteurs prouvent que cette classe peut représenter exactement des champs affines par morceaux et approximer des champs lisses par morceaux généraux sans créer de nouveaux sauts.
Validation Empirique : Des expériences approfondies sur des oscillateurs à frottement sec et le modèle climatique PP04 démontrent que la méthode proposée atteint des erreurs de déroulement et de champ de vecteurs inférieures aux bases de Neural ODE lisses, utilisant souvent un ordre de grandeur de paramètres entraînables en moins.

Résultats

Récupération de la Géométrie : La récupération basée sur RANSAC identifie avec succès les hyperplans de commutation en présence de bruit modéré. Cependant, les performances se dégradent lorsque l'amplitude du saut est faible par rapport au bruit ou lorsque les trajectoires effleurent la surface de commutation (faible vitesse normale).
Apprentissage de la Dynamique :
- Géométrie Connue : Lorsque la géométrie de commutation est fournie, l'architecture proposée confine parfaitement les discontinuités aux surfaces correctes, tandis que les réseaux de sauts non structurés produisent des sauts parasites.
- Géométrie Récupérée : Lorsque la géométrie est apprise à partir des données, les modèles résultants produisent des déroulements précis à long horizon, à condition que le signal de saut de la dérivée soit suffisamment fort.
- Précédents Structurels : L'imposition de contraintes physiques (par exemple, la structure du second ordre $\dot{q}=p$ dans les modèles de frottement) améliore significativement la précision et la généralisation.
- Comparaison : Les modèles discontinus surpassent les bases de Neural ODE lisses sur tous les indicateurs (erreur de déroulement, erreur d'état final, erreur de champ de vecteurs) sur les tests de frottement sec et de climat, malgré un nombre de paramètres nettement inférieur.

Signification et Revendications
L'article affirme qu'apprendre et préserver explicitement la géométrie de commutation offre une voie pratique et interprétable pour modéliser les dynamiques discontinues. En découplant la récupération de la géométrie de l'apprentissage de la dynamique, la méthode permet d'incorporer des connaissances du domaine à des étapes spécifiques (par exemple, la physique connue pour la dynamique ou les plans de commutation connus). Les garanties théoriques sur les propriétés d'approximation de la classe de réseaux proposée assurent que le modèle n'introduit pas de discontinuités artificielles, un mode de défaillance courant des approximations neuronales standards des systèmes non lisses. Ce travail est présenté comme une étape vers un apprentissage automatique scientifique robuste pour les systèmes où les hypothèses de lissage sont invalides, avec des travaux futurs prévus pour traiter les dimensions supérieures, les commutations interactives et les surfaces non affines.

Articles similaires