Data driven tensor product-based modeling and control of a damped Lotka-Volterra predator-prey process

Dans le monde de l'ingénierie, contrôler une machine ou un système biologique s'apparente souvent à essayer de diriger un navire à travers une tempête alors que la carte ne cesse de changer. Pour guider un système — qu'il s'agisse d'un bras robotique, d'un réacteur chimique ou d'une population d'animaux — les ingénieurs ont besoin d'un modèle mathématique, d'un ensemble de règles qui prédisent comment le système réagira à différentes entrées. Pour les machines simples et prévisibles, ces règles sont fixes et faciles à écrire. Mais pour les systèmes vivants complexes où les choses changent en fonction de leur état actuel, les règles sont fluides. Le défi a longtemps été de créer une carte fiable pour ces paysages changeants en utilisant uniquement les données que nous pouvons mesurer, sans avoir besoin de connaître chaque détail caché du fonctionnement interne du système. Si nous pouvons construire une carte suffisamment bonne à partir de la seule observation, nous pouvons alors concevoir un contrôleur qui pousse doucement le système sur un chemin souhaité, le maintenant stable même lorsqu'il tente de s'égarer.

C'est le cœur du casse-tête abordé par Árpád Varga, un chercheur de l'Université d'Obuda en Hongrie, qui s'est donné pour mission de tester une nouvelle façon de modéliser et de contrôler un scénario biologique classique : la relation prédateur-proie. Le système spécifique qu'il a étudié est une version amortie du modèle de Lotka-Volterra, une description mathématique célèbre de la façon dont les populations de prédateurs et de proies augmentent et diminuent ensemble. Dans la nature, s'il y a trop de prédateurs, ils mangent trop de proies, provoquant l'effondrement de la population de proies, ce qui finit par entraîner la famine des prédateurs et la baisse de leur nombre, permettant ainsi à la proie de se rétablir. Ce cycle peut être chaotique, mais dans cette étude, le système était « amorti », ce qui signifie qu'il se stabilise naturellement au fil du temps plutôt que d'osciller éternellement. L'objectif du chercheur était de voir s'il pouvait prendre des mesures de ces populations, construire un modèle simplifié de leur comportement en utilisant une technique mathématique spécifique appelée modélisation par produit tensoriel, puis utiliser ce modèle pour forcer les populations à rester à un niveau spécifique et souhaité, maîtrisant ainsi efficacement les fluctuations sauvages de la nature.

Pour ce faire, Varga a d'abord dû comprendre comment décrire le système sans connaître les constantes biologiques exactes qui le régissent. Au lieu de deviner les règles, il a traité le système comme une boîte noire qu'il pouvait observer. En mesurant le nombre actuel de proies et de prédateurs, ainsi qu'en mesurant également la vitesse à laquelle ces nombres changeaient à chaque instant, il pouvait calculer un instantané du comportement du système. Il a utilisé un tour de passe-passe mathématique, connu sous le nom d'opération de pseudo-inverse, pour rétro-concevoir la relation entre l'état actuel et le changement d'état. Cela lui a donné une image brute et instantanée de la logique interne du système. Cependant, ces données brutes étaient désordonnées et difficiles à utiliser pour le contrôle. Pour les rendre utiles, il a ajusté des courbes polynomiales lisses aux points de données, dessinant essentiellement une surface continue à travers les mesures éparpillées pour représenter la façon dont le système se comporte à travers différents niveaux de population.

Le chercheur a ensuite testé une méthode plus avancée pour représenter ces mêmes données : la modélisation par produit tensoriel. Imaginez les données comme une forme complexe et multidimensionnelle. Au lieu de décrire cette forme avec une seule équation massive qui nécessite de stocker des milliers de nombres, la modélisation par produit tensoriel décompose la forme en une grille de blocs de construction plus petits et plus simples. Elle calcule le comportement du système en observant comment ces blocs se combinent en fonction des nombres de population actuels. L'idée est que cette approche pourrait être plus efficace, en particulier pour des systèmes très complexes comportant de nombreuses variables, car elle peut capturer le comportement essentiel avec moins de nombres stockés qu'une équation polynomiale traditionnelle. Dans cette étude, le chercheur a comparé l'ajustement polynomial traditionnel à cette nouvelle approche de produit tensoriel pour voir lequel créait une meilleure carte pour le contrôleur.

Les résultats des simulations informatiques ont montré que les deux méthodes fonctionnaient bien dans la plage des données observées. Les modèles pouvaient prédire avec précision comment le système se comporterait, permettant à un algorithme de contrôle, basé sur un principe appelé contrôle par couple calculé, de guider les populations vers un nombre cible. Cette méthode de contrôle fonctionne en calculant constamment la différence entre l'endroit où se trouve le système et l'endroit où il devrait être, puis en appliquant une force corrective pour combler cet écart. Dans les simulations, le modèle polynomial et le modèle de produit tensoriel ont tous deux réussi à maintenir les populations de prédateurs et de proies stables aux niveaux souhaités, avec des erreurs très faibles. Le modèle de produit tensoriel a montré un léger désavantage dans ce cas spécifique et simple : comme le système n'avait que deux variables (prédateurs et proies), la méthode tensorielle nécessitait en fait de stocker plus de nombres que la méthode polynomiale. Les chercheurs ont noté que l'avantage de l'approche tensorielle est susceptible d'apparaître uniquement dans des systèmes beaucoup plus complexes avec beaucoup plus de variables, là où la méthode traditionnelle deviendrait trop lourde et lente à utiliser.

Pour prouver qu'il ne s'agissait pas seulement d'une fantaisie informatique, Varga a construit une version physique de l'expérience en utilisant un ordinateur analogique, un dispositif qui utilise des circuits électriques pour simuler des relations mathématiques en temps réel. Il a connecté ce matériel à un contrôleur industriel moderne, créant un système hybride où le circuit physique représentait la dynamique prédateur-proie et le contrôleur numérique appliquait les corrections. L'installation comprenait des signaux de tension représentant les populations, avec des tensions positives ajoutant à la population et des tensions négatives représentant la chasse ou le retrait. Le contrôleur utilisait le modèle de produit tensoriel, chargé dans sa mémoire, pour calculer les ajustements nécessaires. Lorsque le système était laissé seul, les populations oscillaient comme prévu. Mais lorsque le contrôleur était activé, il guidait avec succès les populations de leurs points de départ chaotiques vers les valeurs stables et spécifiques choisies par le chercheur.

L'expérience physique a confirmé que l'approche basée sur les données fonctionne dans le monde réel, et pas seulement en théorie. Le contrôleur a réussi à stabiliser les populations, bien que le suivi soit légèrement moins parfait que dans les simulations informatiques, ce qui est typique lors du passage d'un environnement numérique propre à un environnement physique doté de bruit électrique et de limitations matérielles. Les chercheurs ont constaté que le système pouvait gérer différentes valeurs cibles, déplaçant les populations vers de nouveaux états stables de manière fluide. Ils ont également démontré que le contrôleur pouvait s'adapter à des cibles changeantes en temps réel, une capacité cruciale pour les applications pratiques. L'étude a conclu que, bien que la méthode du produit tensoriel n'ait pas offert d'avantage de mémoire pour ce système simple à deux variables, la méthodologie globale consistant à construire un modèle directement à partir de mesures et à l'utiliser pour le contrôle est robuste et efficace.

Ce travail met en lumière un changement dans la façon dont les ingénieurs pourraient aborder les systèmes complexes. Au lieu de passer des années à essayer de dériver des équations exactes pour chaque interaction biologique ou chimique, il est possible d'observer le système, d'apprendre son comportement à partir des données et de construire un modèle fonctionnel à la volée. Cette approche est particulièrement puissante pour les systèmes dont la physique sous-jacente est trop complexe pour être écrite parfaitement, mais dont le comportement peut être mesuré. L'étude suggère que pour les systèmes plus simples, les méthodes traditionnelles peuvent encore être suffisantes, mais à mesure que les systèmes gagnent en complexité, la capacité à décomposer le comportement en composants gérables et pondérés pourrait devenir essentielle. La recherche est une preuve de concept que la modélisation basée sur les données peut réussir à dompter les rythmes imprévisibles de la nature, offrant un nouvel outil pour gérer tout, des populations sauvages aux processus industriels.