Dissipativity Analysis of Nonlinear Systems: A Linear--Radial Kernel-based Approach

यहाँ ज़िक्सुन ये (Xiuzhen Ye) और वेन्टाओ तांग (Wentao Tang) के शोध पत्र "Dissipativity Analysis of Nonlinear Systems: A Linear–Radial Kernel-based Approach" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र गैर-रेखीय गतिशील प्रणालियों (nonlinear dynamical systems) की डिसिपेटिविटी (dissipativity) का अनुमान लगाने की चुनौती को संबोधित करता है, विशेष रूप से तब जब एक सटीक विश्लेषणात्मक मॉडल उपलब्ध न हो।

• संदर्भ: डिसिपेटिविटी एक मौलिक गुण है जो सिस्टम की स्थिरता (stability), ऊर्जा संरक्षण (energy conservation) और इनपुट-आउटपुट व्यवहार को जोड़ता है। जबकि रैखिक प्रणालियों (लीनियर मैट्रिक्स इनइक्वेलिटीज - LMIs के माध्यम से) और बहुपद प्रणालियों (सम-ऑफ-स्क्वायर - SOS के माध्यम से) के लिए यह अच्छी तरह से समझ में आता है, सामान्य गैर-रेखीय प्रणालियों तक इन विधियों का विस्तार करना जटिल और गणनात्मक रूप से कठिन है क्योंकि इसके लिए जटिल, गैर-पैरामीट्रिक स्टोरेज और सप्लाई रेट फंक्शनों की खोज की आवश्यकता होती है।
• अंतराल (Gap): मौजूदा डेटा-संचालित दृष्टिकोण अक्सर "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) से जूझते हैं, या उनमें गैर-रेखीय प्रणालियों के लिए व्यवहार संबंधी सिद्धांत (behavioral theory) की कमी होती है, या वे रूढ़िवादी बहुपद अनुमानों (conservative polynomial approximations) पर निर्भर करते हैं जो सिस्टम की वास्तविक गतिशीलता को पकड़ने में सक्षम नहीं होते हैं।
• लक्ष्य: एक ऐसा डेटा-संचालित ढांचा विकसित करना जो डिसिपेटिविटी अनुमान को एक 'कॉन्वेक्स ऑप्टिमाइज़ेशन' (convex optimization) समस्या के रूप में तैयार करे, जो यह सुनिश्चित करे कि सीखा गया स्टोरेज फंक्शन संतुलन बिंदु (equilibrium point) के पास "स्थानीय रूप से कम से कम द्विघात" (locally at least quadratic) हो (जो स्थिरता विश्लेषण के लिए एक आवश्यकता है), जबकि पारंपरिक द्विघात रूपों (quadratic forms) का सामान्यीकरण भी करे।

2. कार्यप्रणाली (Methodology)

लेखक एक विशिष्ट रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) के भीतर कोपमैन ऑपरेटर थ्योरी (Koopman operator theory) पर आधारित एक ढांचा प्रस्तावित करते हैं।

A. सैद्धांतिक आधार: RKHS पर कोपमैन ऑपरेटर्स

• गैर-रेखीय प्रणाली $x_{t+1} = f(x_t, u_t)$ को कोपमैन ऑपरेटर $K$ का उपयोग करके एक अनंत-आयामी रैखिक स्थान में "लिफ्ट" (lifted) किया जाता है।
• मानक रेडियल कर्नेल के बजाय, लेखक एक लीनियर-रेडियल कर्नेल (Linear–Radial Kernel) का उपयोग करते हैं। यह कर्नेल $\check{\kappa}(z, z') = (z^\top z')\rho(|z-z'|)$ के रूप में परिभाषित है, जहाँ $\rho$ एक रेडियल फंक्शन है।
• मुख्य गुण: यह विशिष्ट कर्नेल निर्माण सुनिश्चित करता है कि RKHS में ऐसे फंक्शन हों जो मूल (origin) के पास "स्थानीय रूप से कम से कम रैखिक" हों। फलस्वरूप, इस स्थान पर परिभाषित द्विघात रूप (quadratic forms) "स्थानीय रूप से कम से कम द्विघात" होते हैं, जो लिआपुनोव स्थिरता विश्लेषण (Lyapunov stability analysis) की आवश्यक शर्तों को पूरा करते हैं, बिना किसी वैश्विक बहुपद संरचना (global polynomial structure) को थोपे।

B. लीनियर ऑपरेटर इनइक्वेलिटी के रूप में सूत्रीकरण

• स्टोरेज और सप्लाई फंक्शन: स्टोरेज फंक्शन $v(x)$ और सप्लाई रेट $s(y, u)$ को कर्नेल क्वाड्रेटिक फॉर्म्स के रूप में व्यक्त किया जाता है:
  $$v(x) = \langle \check{\phi}_x, P \check{\phi}_x \rangle, \quad s(y, u) = \langle \check{\phi}_{(x,u)}, S \check{\phi}_{(x,u)} \rangle$$
  जहाँ $P$ और $S$ स्वयं-संयोजक (self-adjoint) हिल्बर्ट-श्मिट ऑपरेटर हैं, और $\check{\phi}$ RKHS में कैनोनिकल फीचर मैप को दर्शाता है।
• डिसिपेटिव इनइक्वेलिटी: मानक डिसिपेटिव इनइक्वेलिटी $v(f(x,u)) - v(x) \leq s(h(x,u), u)$ को एक लीनियर ऑपरेटर इनइक्वेलिटी (LOI) में बदल दिया जाता है:
  $$K^* P K - E P E^* - S \preceq 0$$
  जहाँ $K$ कोपमैन ऑपरेटर है और $E$ एक एम्बेडिंग ऑपरेटर है। यह कार्यात्मक इनइक्वेलिटी को रैखिक ऑपरेटरों पर एक बाधा (constraint) में बदल देता है।

C. डेटा-संचालित अनुमान

• फाइनाइट-रैंक सन्निकटन (Finite-Rank Approximation): $n$ स्नैपशॉट्स $\{(x_i, u_i, x_i^+)\}$ के डेटासेट का उपयोग करके, अनंत-आयामी ऑपरेटरों $P$ और $S$ को फाइनाइट-रैंक ऑपरेटरों द्वारा अनुमानित किया जाता है।
• कॉन्वेक्स ऑप्टिमाइज़ेशन: समस्या को डेटा बिंदुओं पर एक लीनियर मैट्रिक्स इनइक्वेलिटी (LMI) को संतुष्ट करने वाले गुणांक मैट्रिसेस $\Theta_P$ और $\Theta_S$ खोजने में बदल दिया जाता है:
  $$\text{diag}(G_{xx^+}^\top \Theta_P G_{xx^+} - G_{xx}^\top \Theta_P G_{xx} - G_{xu}^\top \Theta_S G_{xu}) \leq 0$$
  जहाँ $G$ मैट्रिक्स लीनियर-रेडियल कर्नेल से प्राप्त कर्नेल मैट्रिसेस हैं।
• सप्लाई रेट अनुमान: डेटा से अंतर्निहित फंक्शनों को अनुमानित करने के लिए कर्नेल रिज रिग्रेशन (KRR) का उपयोग करके सप्लाई रेट ऑपरेटर $S$ का अनुमान लगाया जाता है।

D. सांख्यिकीय गारंटी (Statistical Guarantees)

• लेखक डिसिपेटिव इनइक्वेलिटी के उल्लंघन पर एक सांख्यिकीय लर्निंग बाउंड (statistical learning bound) प्राप्त करते हैं।
• वे सिद्ध करते हैं कि उल्लंघन $w(x, u)$ संतुलन बिंदु से दूरी (विशेष रूप से $|(x, u)|^2$ या $|(x, u)|$) के साथ स्केल करता है।
• जैसे-जैसे नमूना आकार $n \to \infty$ होता है, डिसिपेटिविटी अनुमान के लगभग सही होने की संभावना 1 की ओर अभिसरित (converge) होती है, जिसमें त्रुटि बाउंड $O(n^{-1/3} \log n)$ की दर से घटता है।

3. मुख्य योगदान (Key Contributions)

1. लीनियर-रेडियल कर्नेल RKHS: एक विशिष्ट कर्नेल संरचना का परिचय जो स्वाभाविक रूप से संतुलन बिंदु को एनकोड करता है, यह सुनिश्चित करता है कि सीखा गया स्टोरेज फंक्शन स्थिरता के लिए आवश्यक सही स्थानीय द्विघात व्यवहार रखता है, जबकि जटिल गैर-रैखिकताओं को पकड़ने के लिए पर्याप्त अभिव्यंजक (expressive) बना रहता है।
2. ऑपरेटर-थ्योरेटिकल सूत्रीकरण: डिसिपेटिव इनइक्वेलिटी को लीनियर ऑपरेटर इनइक्वेलिटी के रूप में पुनर्गठित करना, जो अनंत-आयामी ऑपरेटर थ्योरी और परिमित-आयामी (finite-dimensional) कॉन्वेक्स ऑप्टिमाइज़ेशन के बीच के अंतर को पाटता है।
3. डेटा-संचालित कॉन्वेक्स ऑप्टिमाइज़ेशन: स्पष्ट सिस्टम आइडेंटिफिकेशन या कोपमैन ऑपरेटर मैट्रिक्स व्युत्क्रम (inversion) की आवश्यकता के बिना, सीधे डेटा से डिसिपेटिविटी प्रमाणों (certificates) का अनुमान लगाने के लिए एक गणनात्मक रूप से सुलभ तरीका प्रदान करना।
4. जनरलाइजेशन बाउंड्स: कठोर सांख्यिकीय त्रुटि बाउंड प्राप्त करना जो गारंटी देते हैं कि डिसिपेटिविटी गुण न केवल प्रशिक्षण डेटा पर, बल्कि उच्च संभावना के साथ पूरे स्टेट-इनपुट स्पेस पर लागू होता है, जिसमें संतुलन के पास उल्लंघन शून्य हो जाते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि को तीन केस स्टडीज पर मान्य किया गया:

• केस 1 (पॉलीनोमियल सिस्टम): विधि ने डेटा से सटीक ग्राउंड-ट्रुथ चतुर्थ (quartic) स्टोरेज फंक्शन को सफलतापूर्वक सीखा, जो सरल द्विघात अनुमानों से बेहतर प्रदर्शन करता है और एक "ओरेकल लिफ्टिंग" के प्रदर्शन से मेल खाता है।
• केस 2 (इनवर्टेड पेंडुलम): अज्ञात घर्षण वाले सिस्टम पर लागू किया गया। सीखा गया स्टोरेज फंक्शन भौतिक रूप से सहज मैकेनिकल एनर्जी फंक्शन की तुलना में काफी कम रूढ़िवादी (less conservative) था, जिसने सप्लाई रेट पैरामीटर ($\beta$) के निचले स्तर के साथ डिसिपेटिविटी को सफलतापूर्वक सत्यापित किया।
• केस 3 (बायोरिएक्टर): एक जटिल रासायनिक प्रक्रिया पर लागू किया गया जहाँ स्टोरेज फंक्शन के लिए भौतिक सहजता कठिन है। विधि ने एक व्यवहार्य (feasible) स्टोरेज फंक्शन और सप्लाई रेट की पहचान की, जिसमें डिसिपेटिविटी उल्लंघन मूल से वर्ग दूरी (squared distance) के साथ सीमित था, जो सैद्धांतिक त्रुटि बाउंड की पुष्टि करता है।

5. महत्व और निहितार्थ (Significance and Implications)

• मॉडल-मुक्त नियंत्रण (Model-Free Control): यह दृष्टिकोण स्पष्ट पैरामीट्रिक मॉडल की आवश्यकता के बिना गैर-रेखीय प्रणालियों की स्थिरता को प्रमाणित करने और नियंत्रकों को डिजाइन करने में सक्षम बनाता है।
• मजबूती (Robustness): सांख्यिकीय बाउंड डिसिपेटिविटी प्रमाण के लिए विश्वास (confidence) को मापने का एक कठोर तरीका प्रदान करते हैं, जो सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है।
• स्केलेबिलिटी: कोपमैन ऑपरेटर मैट्रिक्स (जो इल-कंडीशन्ड हो सकता है) की स्पष्ट गणना से बचकर और कर्नेल मैट्रिसेस पर भरोसा करके, यह विधि गणनात्मक रूप से कुशल है।
• भविष्य की दिशाएं: लेखक उल्लेख करते हैं कि वर्तमान विधि के लिए पूर्ण स्टेट मेजरमेंट की आवश्यकता है। भविष्य के कार्यों का लक्ष्य डेटा-संचालित स्टेट ऑब्जर्वर्स का उपयोग करके इसे केवल इनपुट-आउटपुट डेटा तक विस्तारित करना है।

संक्षेप में, यह शोध पत्र एक गणितीय रूप से कठोर और गणनात्मक रूप से कुशल ढांचा प्रस्तुत करता है, जो स्थानीय स्थिरता गुणों को सुनिश्चित करने के लिए लीनियर-रेडियल कर्नेल के अद्वितीय गुणों का लाभ उठाते हुए वैश्विक गैर-रेखीय गतिशीलता (global nonlinear dynamics) को पकड़ता है।