⚡ electrical engineering

Koopman-based Estimation of Lyapunov Functions: Theory on a Reproducing Kernel Hilbert Space

यह शोध पत्र एक रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस पर कूपमैन ऑपरेटर का लाभ उठाते हुए, एक विशिष्ट क्षय दर के साथ गैर-रेखीय प्रणालियों के लिए लयापुनोव फलनों (Lyapunov functions) के आकलन हेतु एक सैद्धांतिक ढांचा स्थापित करता है, जहाँ समाधान एक अद्वितीय ऑपरेटर बीजगणितीय लयापुनोव समीकरण से व्युत्पन्न किया जाता है और इसके सांख्यिकीय त्रुटि सीमाएँ कर्नेल विस्तारित डायनेमिक मोड डिकम्पोजिशन के माध्यम से कठोरता से स्थापित की जाती हैं।

मूल लेखक: Wentao Tang, Xiuzhen Ye

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wentao Tang, Xiuzhen Ye

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: एक अराजक प्रणाली (Chaotic System) के भविष्य की भविष्यवाणी करना

कल्पना कीजिए कि आप एक अशांत नदी में घूमती हुई एक पत्ती के मार्ग की भविष्यवाणी करने की कोशिश कर रहे हैं। पानी की गति नॉन-लीनियर (nonlinear) और अराजक है; यह ऐसे तरीके से मुड़ती है, घूमती है और अपनी गति बदलती है जिसे सरल गणित के साथ समझाना अविश्वसनीय रूप से कठिन है।

लंबे समय से, इंजीनियर इसे "लीनियराइजिंग" (linearizing) करके हल करने की कोशिश कर रहे हैं—यानी यह मानकर कि नदी एक सीधी, शांत नहर है ताकि वे पत्ती के मार्ग की भविष्यवाणी करने के लिए सरल नियमों का उपयोग कर सकें। लेकिन यह केवल एक छोटे से क्षण के लिए ही काम करता है। यदि आप बहुत दूर के भविष्य के लिए पत्ती के मार्ग की भविष्यवाणी करने की कोशिश करते हैं, तो सरल नियम विफल हो जाते हैं, और भविष्यवाणी पटरी से उतर जाती है।

कोपमान ऑपरेटर (Koopman Operator) एक चतुर गणितीय तरकीब है जो कहती है: "क्या होगा अगर हम पत्ती को देखना बंद कर दें, और इसके बजाय एक साथ पूरी नदी के तापमान, रंग और गति को देखें?" इस समस्या को उच्च आयाम (एक "फंक्शन स्पेस") में उठाकर, इस अराजक, घुमावदार नदी को एक सरल, सीधी रेखा के रूप में वर्णित किया जा सकता है। यह एक अव्यवधर, नॉन-लीनियर समस्या को एक साफ, लीनियर समस्या में बदल देता है।

समस्या: मशीन में "भूत" (The "Ghost" in the Machine)

यह शोध पत्र इस तरकीब के साथ जुड़ी एक विशिष्ट सिरदर्द को संबोधित करता है। हालांकि कोपमान ऑपरेटर गणित को लीनियर दिखाता है, लेकिन यह जानना कठिन है कि क्या सिस्टम वास्तव में स्थिर (stable) है (क्या पत्ती अंततः एक शांत पूल में स्थिर हो जाएगी?) या अस्थिर (unstable) है (क्या वह झरने के ऊपर से बह जाएगी?)।

मानक गणित में, यदि कोई संख्या 1 से कम है, तो चीजें स्थिर हो जाती हैं। लेकिन कोपमान ऑपरेटर के साथ, "संख्याएं" (स्पेक्ट्रम) पूरी तरह से इस बात पर निर्भर करती हैं कि आप सिस्टम को कैसे देखते हैं। यदि आप गलत "लेंस" (गणितीय स्थान) चुनते हैं, तो ऑपरेटर ऐसा दिख सकता है जैसे वह स्थिर है, जबकि सिस्टम वास्तव में क्रैश होने वाला होता है, या इसके विपरीत। यह एक फनहाउस मिरर (funhouse mirror) के माध्यम से घूमते हुए लट्टू को देखने जैसा है; प्रतिबिंब स्थिर लग सकता है, लेकिन लट्टू वास्तव में खतरनाक तरीके से डगमगा रहा होता है।

समाधान: एक विशेष लेंस और एक "सुरक्षा जाल" (Safety Net)

लेखकों (Tang और Ye) ने इसे ठीक करने का एक नया तरीका प्रस्तावित किया है। उन्होंने दो मुख्य नवाचार पेश किए हैं:

1. "लीनियर-रेडियल" लेंस (The "Linear-Radial" Lens)

उन्होंने सिस्टम को देखने के लिए एक विशेष गणितीय "लेंस" (जिसे Linear-Radial Product Kernel कहा जाता है) डिजाइन किया है।

उपमा: कल्पना कीजिए कि आप एक घूमते हुए लट्टू को देख रहे हैं। एक सामान्य लेंस केवल धुंधलापन देखता है। इस विशेष लेंस के दो भाग हैं:
- लीनियर भाग (Linear part): यह केंद्र (संतुलन बिंदु) पर बहुत ध्यान देता है, यह सुनिश्चित करता है कि उसे पता हो कि "स्थिर स्थान" कहाँ है।
- रेडियल भाग (Radial part): यह इसके आसपास की हवा की सुगमता पर ध्यान देता है, यह सुनिश्चित करता है कि किनारों पर गणित टूट न जाए।
परिणाम: जब वे इस विशिष्ट लेंस का उपयोग करते हैं, तो उन्होंने एक स्वर्णिम नियम सिद्ध किया: यदि सिस्टम स्थिर है, तो गणितीय संख्याएं हमेशा 1 से कम होंगी। यह अंततः गणित को स्थिरता की भौतिक वास्तविकता से सीधे जोड़ता है।

2. "सुरक्षा जाल" (The "Safety Net" - Lyapunov Function)

एक बार जब उन्हें पता चल जाता है कि सिस्टम स्थिर है, तो उन्हें यह साबित करने की आवश्यकता होती है कि वह कितना स्थिर है और सुरक्षित क्षेत्र का नक्शा बनाना होता है। इंजीनियरिंग में, इस मानचित्र को ल्यपुनोव फंक्शन (Lyapunov Function) कहा जाता है।

उपमा: ल्यपुनोव फंक्शन को एक सुरक्षा जाल या एक घाटी के रूप में सोचें। यदि आप घाटी में कहीं भी एक गेंद गिराते हैं, तो वह स्वाभाविक रूप से नीचे (स्थिर बिंदु की ओर) लुढ़केगी। घाटी के किनारे जितने ढालू होंगे, वह उतनी ही तेजी से स्थिर होगी।
नवाचार: आमतौर पर, एक अराजक प्रणाली के लिए इस घाटी का सटीक आकार खोजना कोहरे से पहाड़ को तराशने जैसा है। लेखकों ने एक फॉर्मूला (Operator Algebraic Lyapunov Equation) बनाया है जो एक 3D प्रिंटर की तरह काम करता है। आप इसमें "क्षय दर" (decay rate - सिस्टम कितनी तेजी से स्थिर होना चाहता है) फीड करते हैं, और फॉर्मूला सुरक्षा जाल का सटीक आकार प्रिंट कर देता है।

वे इसे डेटा के साथ कैसे करते हैं (बिना ब्लूप्रिंट के)

सबसे अच्छी बात? आपको नदी के भौतिक विज्ञान या पत्ती के समीकरणों को जानने की आवश्यकता नहीं है। आपको बस डेटा चाहिए।

देखें और सीखें: वे कुछ समय के लिए सिस्टम (नदी) को देखते हैं, रिकॉर्ड करते हैं कि चीजें बिंदु A से बिंदु B तक कैसे जाती हैं।
"kEDMD" की तरकीब: वे kEDMD (Kernel Extended Dynamic Mode Decomposition) नामक एक मशीन लर्निंग तकनीक का उपयोग करते हैं। इसे एक सुपर-स्मार्ट पैटर्न पहचानकर्ता समझें। यह डेटा को देखता है और कोपमान ऑपरेटर का एक "शैडो मॉडल" (shadow model) बनाता है।
सुरक्षा जांच: वे इस शैडो मॉडल को अपने "3D प्रिंटर" फॉर्मूले में डालते हैं।
गारंटी: शोध पत्र सिद्ध करता है कि यदि आपके पास पर्याप्त डेटा है, तो उनके द्वारा प्रिंट किया गया सुरक्षा जाल वास्तविक एक के लगभग समान होगा। आप इसे जितना अधिक डेटा देंगे, त्रुटि उतनी ही कम होती जाएगी।

वास्तविक दुनिया का परीक्षण

यह काम करता है, यह साबित करने के लिए, उन्होंने ब्रसेलेटर (Brusselator) (रासायनिक प्रतिक्रियाओं का एक मॉडल) और एक लिनियर्ड समीकरण (Liénard equation) (ऑसिलेटिंग सर्किट का एक मॉडल) नामक एक प्रसिद्ध अराजक प्रणाली पर इसका परीक्षण किया।

उन्होंने कंप्यूटर को समीकरण नहीं बताए।
उन्होंने बस इसे रैंडम प्रक्षेपवक्र (trajectories) दिए।
कंप्यूटर ने सफलतापूर्वक सिस्टम को सीखा, पुष्टि की कि यह स्थिर है, और एक मानचित्र (ल्यपुनोव फंक्शन) बनाया जो वास्तविक भौतिकी के लगभग पूरी तरह से मेल खाता था।

एक वाक्य में सारांश

यह शोध पत्र इंजीनियरों को एक नया, डेटा-संचालित "जादुई लेंस" प्रदान करता है जो अराजक, अप्रत्याशित प्रणालियों को सरल, लीनियर प्रणालियों में बदल देता है, जिससे उन्हें अंतर्निहित भौतिकी समीकरणों को जाने बिना स्थिरता को गणितीय रूप से सिद्ध करने और एक सुरक्षा मानचित्र बनाने की अनुमति मिलती है।

यहाँ वेंटाओ टैंग और सिउज़ेन ये के शोध पत्र "Koopman-based Estimation of Lyapunov Functions: Theory on a Reproducing Kernel Hilbert Space" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र डेटा-संचालित विधियों (data-driven methods) का उपयोग करके गैररेखीय प्रणालियों (nonlinear systems) के लिए स्थिरता विश्लेषण और नियंत्रण की चुनौती को संबोधित करता है। जबकि कूपमैन ऑपरेटर (Koopman operator) गैररेखीय गतिकी के "वैश्विक रैखिकीकरण" (global linearization) के लिए एक शक्तिशाली ढांचा प्रदान करता है, स्थिरता विश्लेषण के लिए इसके अनुप्रयोग में दो प्रमुख सैद्धांतिक बाधाएं आती हैं:

स्पेक्ट्रम-स्थिरता अस्पष्टता (Spectrum-Stability Ambiguity): परिमित-आयामी रैखिक प्रणालियों में, स्थिरता का निर्धारण इकाई डिस्क (unit disk) के भीतर स्थित आइगेन मानों (eigenvalues) द्वारा किया जाता है। हालाँकि, मानक फलन स्थानों (function spaces) पर परिभाषित कूपमैन ऑपरेटरों के लिए, ऑपरेटर के स्पेक्ट्रम और सिस्टम की स्थिरता के बीच संबंध अक्सर अस्पष्ट या सूचनाहीन होता है (उदाहरण के लिए, कर्नेल के चयन के आधार पर स्पेक्ट्रल रेडियस $\ge 1$ रह सकता है, भले ही सिस्टम स्थिर हो)।
ल्यपुनोव फलन निर्माण (Lyapunov Function Construction): कूपमैन ऑपरेटर से सीधे ल्यपुनोव फलन (Lyapunov function) बनाने के लिए किसी कठोर, सार्वभौमिक सिद्धांत का अभाव है, विशेष रूप से तब जब ऑपरेटर का अनुमान डेटा से लगाया जाना हो।

लेखक एक रिप्रोडसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) के भीतर कूपमैन स्पेक्ट्रम और स्थिरता के बीच एक कठोर लिंक स्थापित करके और इस लिंक का उपयोग करके त्रुटि सीमाओं (error bounds) के साथ ल्यपुनोव फलनों का अनुमान लगाने के लिए इस अंतर को पाटने का लक्ष्य रखते हैं।

2. कार्यप्रणाली (Methodology)

प्रस्तावित कार्यप्रणाली निम्नलिखित चरणों के माध्यम से ऑपरेटर सिद्धांत, कर्नेल विधियों और सांख्यिकीय शिक्षण सिद्धांत को एकीकृत करती है:

A. फलन स्थान चयन: लीनियर-रेडियल प्रोडक्ट कर्नेल (Linear-Radial Product Kernel)

यह सुनिश्चित करने के लिए कि कूपमैन ऑपरेटर सुपरिभाषित है और इसका स्पेक्ट्रम स्थिरता को दर्शाता है, लेखक एक विशिष्ट RKHS पर ऑपरेटर को परिभाषित करते हैं जो एक लीनियर-रेडियल प्रोडक्ट कर्नेल द्वारा जनित है:
$\kappa(x, x') = (x \cdot x') \cdot \kappa_{=}(x, x')$

$\kappa_{=}$ (रेडियल): एक वेनलैंड रेडियल कर्नेल (Wendland radial kernel) जो यह सुनिश्चित करता है कि RKHS एक सोबोलेव स्पेस ( $W^{s,2}$ ) के समकक्ष है, जो गतिकी की सुगमता (smoothness) को पकड़ता है।
लीनियर घटक (Linear Component): पद $(x \cdot x')$ यह सुनिश्चित करता है कि स्थान संतुलन बिंदु (मूल बिंदु) के पास रैखिक फलनों को समाहित करता है।
परिणाम: यह निर्माण एक ऐसा स्थान बनाता है जहाँ फलन मूल बिंदु के पास स्थानीय रूप से रैखिक होते हैं और वैश्विक रूप से नियमित (regular) होते हैं। महत्वपूर्ण रूप से, यह लेखकों को यह सिद्ध करने की अनुमति देता है कि यदि मूल बिंदु एक स्पर्शोन्मुख रूप से स्थिर (asymptotically stable) संतुलन है, तो कूपमैन ऑपरेटर $A$ का स्पेक्ट्रल रेडियस $r(A) < 1$ होगा।

B. ऑपरेटर बीजगणितीय ल्यपुनोव समीकरण (ALE)

लेखक ल्यपुनोव फलन $v(x)$ और क्षय दर फलन (decay rate function) $w(x)$ को RKHS पर धनात्मक ऑपरेटरों $P$ और $Q$ द्वारा परिभाषित कर्नेल क्वाड्रेटिक फॉर्म्स के रूप में तैयार करते हैं:
$v(x) = \langle \kappa(x, \cdot), P\kappa(x, \cdot) \rangle$
$w(x) = \langle \kappa(x, \cdot), Q\kappa(x, \cdot) \rangle$
वे स्थापित करते हैं कि एक विशिष्ट क्षय दर के साथ ल्यपुनोव फलन खोजना एक ऑपरेटर बीजगणितीय ल्यपुनोव समीकरण (ALE) को हल करने के बराबर है:
$APA^* - P = -Q$
जहाँ $A^*$ कूपमैन ऑपरेटर का एडजॉइंट (adjoint) है।

सैद्धांतिक गारंटी: शोध पत्र सिद्ध करता है कि यदि $r(A) < 1$ है और $Q$ एक धनात्मक हिल्बर्ट-श्मिट ऑपरेटर है, तो ALE का एक अद्वितीय समाधान $P$ एक अभिसारी अनंत श्रृंखला द्वारा दिया जाता है: $P = \sum_{t=0}^{\infty} A^{*t} Q A^t$ ।

C. डेटा-संचालित अनुमान (kEDMD और KRR)

चूंकि वास्तविक कूपमैन ऑपरेटर अज्ञात है, इसलिए लेखक एक डेटा-संचालित अनुमान पाइपलाइन का प्रस्ताव करते हैं:

कूपमैन ऑपरेटर अनुमान: ट्रैजेक्टरी डेटा से ऑपरेटर $A$ का अनुमान लगाने के लिए कर्नेल एक्सटेंडेड डायनेमिक मोड डिकम्पोजिशन (kEDMD) का उपयोग करें। इसमें RKHS में एक लीस्ट-स्क्वायर समस्या को हल करना शामिल है।
क्षय दर अनुमान: डेटा से ऑपरेटर $Q$ (जो क्षय दर फलन $w(x)$ का प्रतिनिधित्व करता है) का अनुमान लगाने के लिए कर्नेल रिज रिग्रेशन (KRR) का उपयोग करें।
ल्यपुनोव अनुमान: अनुमानित ऑपरेटरों $\hat{A}$ और $\hat{Q}$ का उपयोग करके डिस्क्रीट मैट्रिक्स संस्करण वाले ALE को हल करें ताकि अनुमानित ल्यपुनोव ऑपरेटर $\hat{P}$ प्राप्त हो सके।

3. मुख्य योगदान (Key Contributions)

RKHS पर स्पेक्ट्रम-स्थिरता प्रमेय: लेखक कठोरता से सिद्ध करते हैं कि एक लीनियर-रेडियल प्रोडक्ट RKHS पर परिभाषित कूपमैन ऑपरेटर के लिए, एक स्पर्शोन्मुख रूप से स्थिर मूल बिंदु वाले सिस्टम के लिए स्पेक्ट्रल रेडियस 1 से कम होता है। यह स्थिरता विश्लेषण में कूपमैन स्पेक्ट्रा की अस्पष्टता को हल करता है।
ऑपरेटर ALE समाधान की अस्तित्व और विशिष्टता: वे RKHS सेटिंग में एक 'कनवर्स ल्यपुनोव प्रमेय' स्थापित करते हैं, यह सिद्ध करते हुए कि जब स्पेक्ट्रल रेडियस की स्थिति पूरी होती है, तो ALE के लिए एक अद्वितीय धनात्मक हिल्बर्ट-श्मिट ऑपरेटर समाधान मौजूद होता है।
त्रुटि सीमा विश्लेषण (Error Bound Analysis): शोध पत्र अनुमानित ल्यपुनोव फलन के लिए एक कठोर त्रुटि सीमा व्युत्पन्न करता है। यह प्रदर्शित करता है कि ल्यपुनोव अनुमान में त्रुटि ( $\|\hat{P} - P\|_{HS}$ ) कूपमैन ऑपरेटर और क्षय दर फलन की लर्निंग त्रुटियों के समानुपाती है। विशेष रूप से, जैसे-जैसे डेटा का आकार बढ़ता है, त्रुटि समाप्त हो जाती है।
एकीकृत ढांचा (Unified Framework): यह कार्य कूपमैन सिद्धांत के केवल ह्यूरिस्टिक अनुप्रयोगों से आगे बढ़कर, एक पूर्ण, सैद्धांतिक रूप से सुदृढ़ ढांचा प्रदान करता है।

4. परिणाम (Results)

कार्यप्रणाली को एक गैर-बहुपद गैररेखीय प्रणाली (non-polynomial nonlinear system) (लियनार्ड समीकरण) पर एक संख्यात्मक अध्ययन के माध्यम से मान्य किया गया:

सिस्टम: एक निरंतर-समय प्रणाली जिसे $\Delta = 0.2$ के सैंपलिंग समय के साथ विविक्त (discretized) किया गया।
डेटा: $[-2, 2] \times [-2, 2]$ में एक यादृच्छिक वितरण से लिए गए 50 ट्रैजेक्टरीज।
प्रदर्शन:
- स्पेक्ट्रम: अनुमानित कूपमैन स्पेक्ट्रम को सफलतापूर्वक इकाई डिस्क के भीतर सीमित किया गया, जो स्थिरता की पुष्टि करता है।
- ल्यपुनोव फलन: अनुमानित ल्यपुनोव फलन $\hat{v}(x)$ का कंटूर आकार वास्तविक ल्यपुनोव फलन (जो सिमुलेशन द्वारा गणना किया गया था) के बहुत करीब था।
- सटीकता: जबकि अनुमान मूल बिंदु के पास सटीक था, मूल बिंदु से दूर (जैसे, $x=(1,1)$ पर) विचलन देखे गए, जिसका कारण लंबे क्षितिज (long horizons) पर क्षय दरों का संचय है। हालांकि, विधि ने गैर-रैखिकता को सफलतापूर्वक पकड़ा, जो इसे एक साधारण रैखिक सन्निकटन (जहाँ $v_{lin}(1,1) \approx 19$ बनाम वास्तविक/अनुमानित $\approx 40$ ) से अलग करता है।

5. महत्व (Significance)

सैद्धांतिक आधार: यह शोध पत्र कूपमैन-आधारित नियंत्रण को "व्यावहारिकता की कला" से "सैद्धांतिक रूप से कठोर ढांचे" में बदल देता है। यह स्थिरता विश्लेषण की गारंटी देने के लिए आवश्यक गणितीय स्थितियाँ (कर्नेल चयन, स्पेक्ट्रल बाउंड्स) प्रदान करता है।
डेटा-संचालित स्थिरता: यह जटिल गैररेखीय प्रणालियों के लिए स्थिरता को सत्यापित करने और ल्यपुनोव फलन बनाने के लिए एक व्यवहार्य मार्ग प्रदान करता है जहाँ प्रथम-सिद्धांत मॉडल (first-principles models) उपलब्ध नहीं हैं या अव्यवहार्य हैं।
भविष्य की दिशाएँ: लेखक आकर्षण के डोमेन (domains of attraction) के अनुमान (विशेष रूप से उन प्रणालियों के लिए जिनमें कई अट्रैक्टर्स हैं या जहाँ मूल बिंदु वैश्विक रूप से स्थिर नहीं है) को अगले महत्वपूर्ण अनुसंधान चरण के रूप में पहचानते हैं, जो उन्नत गैररेखीय नियंत्रण और ऑब्जर्वर डिजाइन के लिए आधार तैयार करता है।

संक्षेप में, यह कार्य RKHS पर कूपमैन ऑपरेटरों के अमूर्त सिद्धांत और व्यावहारिक, डेटा-संचालित स्थिरता विश्लेषण के बीच के अंतर को सफलतापूर्वक पाटता है, जो कार्यान्वयन के लिए आवश्यक सैद्धांतिक गारंटी और एल्गोरिथम उपकरण दोनों प्रदान करता है।