🔢 mathematics

Data-Driven Boundary Control of Distributed Port-Hamiltonian Systems

यह शोध पत्र डिस्ट्रीब्यूटेड पोर्ट-हैमिल्टोनियन सिस्टम के लिए एक डेटा-संचालित बाउंड्री कंट्रोल फ्रेमवर्क प्रस्तावित करता है जो अज्ञात हैमिल्टोनियन संरचनाओं का अनुमान लगाने के लिए गॉसियन प्रोसेस लर्निंग को ऊर्जा-आधारित मजबूती विश्लेषण (energy-based robustness analysis) के साथ जोड़ता है, जो मॉडल विसंगतियों के बावजूद क्लोज्ड-लूप प्रक्षेप पथों की संभाव्य परिबद्धता (probabilistic boundedness) सुनिश्चित करता है।

मूल लेखक: Thomas Beckers, Leonardo Colombo

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thomas Beckers, Leonardo Colombo

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

बड़ी तस्वीर: धुंधले मानचित्र के साथ एक जहाज को नियंत्रित करना

कल्पना कीजिए कि आप एक विशाल जहाज (एक भौतिक प्रणाली जैसे नदी या पुल) के कप्तान हैं जो भौतिकी के जटिल नियमों के अनुसार चलता है। आपका लक्ष्य इस जहाज को एक विशिष्ट गंतव्य तक ले जाना और उसे वहां बनाए रखना है, जिसका नियंत्रण जहाज के बिल्कुल किनारे (सीमा या "boundary") पर स्थित है।

समस्या:
आमतौर पर, जहाज को चलाने के लिए आपको एक सटीक मानचित्र और हवा तथा धाराओं के काम करने के तरीके की पूर्ण समझ की आवश्यकता होती है। लेकिन वास्तविक दुनिया में, चीजें अस्त-व्यस्त होती हैं। पानी अशांत हो सकता है, हवा अप्रत्याशित रूप से बदल सकती है, या जहाज के कुछ हिस्से ऐसे पदार्थों से बने हो सकते हैं जिन्हें हम पूरी तरह से नहीं समझते हैं। इसे ही यह शोध पत्र "आंशिक रूप से अज्ञात गतिकी" (partially unknown dynamics) कहता है।

यदि आप एक गलत मानचित्र का उपयोग करके जहाज चलाने की कोशिश करते हैं, तो आप दुर्घटनाग्रस्त हो सकते हैं। पारंपरिक नियंत्रण विधियां ऐसी हैं जैसे आप एक ऐसे मानचित्र के साथ कार चला रहे हों जिसमें खाली स्थान हों; यदि मानचित्र गलत है, तो कार सड़क से उतर जाएगी।

समाधान:
लेखक, थॉमस बेकर्स और लियोनार्डो कोलोम्बो, एक चतुर नए तरीके से जहाज चलाने का प्रस्ताव देते हैं। एक सटीक मानचित्र की आवश्यकता होने के बजाय, वे गाड़ी चलाते समय मानचित्र को सीखने के लिए एक "स्मार्ट अनुमान लगाने वाली मशीन" (Gaussian Process) का उपयोग करते हैं, और उस अनुमान का उपयोग करके जहाज चलाते हैं, जबकि वे लगातार इस बात की जांच करते रहते हैं कि वे अपने अनुमान के बारे में कितने "निश्चित" हैं।

चरण-दर-चरण विवरण

1. "स्मार्ट अनुमान लगाने वाली मशीन" (GP-dPHS)

कल्पना कीजिए कि आप एक छिपी हुई पहाड़ी के आकार को समझने की कोशिश कर रहे हैं। आप पूरी पहाड़ी को नहीं देख सकते, लेकिन आप कुछ स्थानों पर माप ले सकते हैं।

पारंपरिक विधि: आप अपने मापों के बीच एक सीधी रेखा खींचते हैं। यदि पहाड़ी घुमावदार है, तो आप गलत होंगे।
इस शोध पत्र की विधि: आप एक "स्मार्ट अनुमान लगाने वाली मशीन" (Gaussian Process) का उपयोग करते हैं। यह केवल एक रेखा नहीं खींचती; यह संभावित आकारों का एक बादल बनाती है।
- बादल: बादल का केंद्र पहाड़ी के आकार का आपका सबसे अच्छा अनुमान है।
- धुंध: बादल की मोटाई आपकी अनिश्चितता (uncertainty) को दर्शाती है। यदि आपके पास बहुत अधिक डेटा है, तो धुंध पतली है (आप निश्चित हैं)। यदि आपके पास कम डेटा है, तो धुंध घनी है (आप अनिश्चित हैं)।

यह शोध पत्र इस मशीन का उपयोग सिस्टम के "ऊर्जा मानचित्र" (Hamiltonian) को सीखने के लिए करता है। यह बिना किसी पूर्व समीकरण को जाने, डेटा से भौतिकी को सीखता है।

2. "डिसिपेशन बाधा" (चिपचिपा फर्श)

यहाँ भौतिकी का एक कठिन हिस्सा है: कुछ प्रणालियों में "घर्षण" या "क्षय" (dissipation) होता है (जैसे कीचड़ के कारण धीमा होता पानी)।

उपमा: कल्पना कीजिए कि आप एक चिपचिपे फर्श पर एक भारी बक्से को धकेलने की कोशिश कर रहे हैं जो कुछ जगहों पर चिपचिपा है और कुछ जगहों पर चिकना है। यदि आप बक्से को एक विशिष्ट स्थान पर धकेलने की कोशिश करते हैं, तो चिपचिपे हिस्से आपको वहां पहुँचने से रोक सकते हैं, चाहे आप कितना भी जोर क्यों न लगाएं। नियंत्रण सिद्धांत (control theory) में, इसे "डिसिपेशन बाधा" (Dissipation Obstacle) कहा जाता है।
समाधान: लेखकों ने नियंत्रणों को "पुनर्गठित" करने का एक तरीका खोजा है। सीधे बक्से को धकेलने के बजाय, वे एक नया, अदृश्य हैंडल (एक "पैसिव आउटपुट") बनाते हैं जो उन्हें चिपचिपी जगहों से बचने में मदद करता है। यह एक गुप्त लीवर खोजने जैसा है जो बक्से को थोड़ा ऊपर उठा देता है ताकि आप फंसने के बजाय उसे कीचड़ के ऊपर से फिसला सकें।

3. अनिश्चितता के साथ स्टीयरिंग (मजबूती/Robustness)

यह सबसे महत्वपूर्ण भाग है। चूंकि "स्मार्ट अनुमान लगाने वाली मशीन" एकदम सटीक नहीं है, इसलिए त्रुटि का जोखिम बना रहता है।

सुरक्षा जाल: लेखकों ने केवल "धुंध" (अनिश्चितता) को नजरअंदाज नहीं किया। उन्होंने इसका उपयोग एक सुरक्षा जाल बनाने के लिए किया।
गारंटी: उन्होंने गणितीय रूप से सिद्ध किया कि जब तक "धुंध" बहुत अधिक घनी नहीं है (मॉडल की त्रुटि बहुत बड़ी नहीं है), जहाज एक सुरक्षित क्षेत्र के भीतर रहेगा। भले ही मानचित्र थोड़ा गलत हो, जहाज दुर्घटनाग्रस्त नहीं होगा; वह लक्ष्य के आसपास थोड़ा डगमगाएगा, लेकिन वह सीमित और सुरक्षित रहेगा।

वास्तविक दुनिया का परीक्षण: उथला जल तंत्र (Shallow Water System)

अपने विचार को सिद्ध करने के लिए, उन्होंने एक उथले जल तंत्र (जैसे नदी या नहर) पर इसका परीक्षण किया।

परिदृश्य: वे एक चैनल में पानी के स्तर को नियंत्रित करना चाहते थे।
ट्विस्ट: उन्होंने ऐसा व्यवहार किया जैसे उन्हें पानी के विक्षोभ (turbulence) की सटीक भौतिकी का पता नहीं है (अज्ञात गतिकी)।
परिणाम:
1. उन्होंने "स्मार्ट अनुमान लगाने वाली मशीन" को कुछ मापों से पानी के व्यवहार को सीखने दिया।
2. उन्होंने पानी के घर्षण को दूर करने के लिए "गुप्त लीवर" (नया पैसिव आउटपुट) का उपयोग किया।
3. उन्होंने वांछित ऊंचाई पर पानी के स्तर को नियंत्रित किया।
4. निष्कर्ष: भले ही उनका मॉडल 100% सटीक नहीं था, फिर भी पानी का स्तर ठीक वहीं स्थिर हो गया जहाँ वे चाहते थे, और प्रणाली स्थिर रही।

सारांश: यह क्यों मायने रखता है

इस शोध पत्र को भारी धुंध में कार चलाने के एक नए तरीके के रूप में देखें।

पुराना तरीका: आपको एक सटीक GPS की आवश्यकता है। यदि GPS गलत है, तो आप दुर्घटनाग्रस्त हो जाएंगे।
नया तरीका: आप एक ऐसा GPS उपयोग करते हैं जो कहता है, "मैं 90% आश्वस्त हूँ कि सड़क बाईं ओर जाती है, लेकिन 10% संभावना है कि यह दाईं ओर जाती है।" आप सावधानी से गाड़ी चलाते हैं, यह जानते हुए कि भले ही आप थोड़े गलत हों, आपकी कार में एक विशेष सस्पेंशन (रोबस्टनेस विश्लेषण) है जो आपको सड़क पर बनाए रखता है और दुर्घटना को रोकता है।

यह इंजीनियरों को जटिल, अव्यवस्थित भौतिक प्रणालियों (जैसे पावर ग्रिड, लचीले रोबोट, या द्रव गतिकी) को नियंत्रित करने की अनुमति देता है, भले ही उनके पास अंतर्निहित भौतिकी की पूर्ण समझ न हो। वे चलते-फिरते सीख सकते हैं और सुरक्षित रह सकते हैं।

यहाँ थॉमस बेकर्स और लियोनार्डो कोलोम्बो के शोध पत्र "Data-Driven Boundary Control of Distributed Port-Hamiltonian Systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन भौतिक प्रणालियों (physical systems) को नियंत्रित करने की चुनौती को संबोधित करता है जो आंशिक अवकल समीकरणों (Partial Differential Equations - PDEs) द्वारा संचालित होती हैं और जिनमें आंशिक रूप से अज्ञात गतिकी (partially unknown dynamics) और गैर-रैखिकता (nonlinearities) मौजूद होती हैं।

संदर्भ: डिस्ट्रीब्यूटेड पोर्ट-हैमिल्टोनियन सिस्टम (dPHS) ऐसे प्रणालियों (जैसे द्रव गतििकी, लचीली संरचनाएं) के मॉडलिंग के लिए एक मजबूत ढांचा प्रदान करते हैं, जो ऊर्जा अंतःक्रियाओं और संरक्षण नियमों पर केंद्रित होते हैं।
चुनौती: पारंपरिक बाउंड्री कंट्रोल विधियाँ (विशेष रूप से कैसिमिर जनरेशन के माध्यम से 'कंट्रोल बाय इंटरकनेक्शन') प्रणाली के हैमिल्टनियन (कुल ऊर्जा) के सटीक गणितीय मॉडल पर अत्यधिक निर्भर करती हैं। हालाँकि, जटिल, असंरचित गैर-रैखिकता या अज्ञात भौतिक गुणों के कारण ऐसा मॉडल प्राप्त करना अक्सर असंभव होता है।
डिसिपेशन बाधा (The Dissipation Obstacle): यदि सटीक मॉडल उपलब्ध भी हो, तो भी मानक ऊर्जा-शेपिंग (energy-shaping) नियंत्रण तब विफल हो जाता है जब आंतरिक ऊर्जा क्षय (internal energy dissipation, जैसे घर्षण) मौजूद होता है। इसे "डिसिपेशन बाधा" के रूप में जाना जाता है, जहाँ नियंत्रक उन दिशाओं में ऊर्जा को आकार नहीं दे पाता जहाँ क्षय (dissipation) होता है।
लक्ष्य: एक ऐसी नियंत्रण रणनीति विकसित करना जो डेटा से अज्ञात हैमिल्टनियन को सीख सके, डिसिपेशन बाधा को पार कर सके, और मॉडल मिसमैच (model mismatch) के बावजूद स्थिरता सुनिश्चित कर सके।

2. कार्यप्रणाली (Methodology)

प्रस्तावित दृष्टिकोण गौसियन प्रोसेस (Gaussian Process - GP) रिग्रेशन को dPHS सिद्धांत और बाउंड्री कंट्रोल बाय इंटरकनेक्शन के साथ जोड़ता है।

A. डेटा-संचालित मॉडलिंग (GP-dPHS)

डेटा संग्रह: सिस्टम को बाउंड्री इनपुट के साथ उत्तेजित किया जाता है, और विविक्त स्थानिक (discrete spatial) और कालिक (temporal) बिंदुओं पर अवस्था अवलोकन (state observations) एकत्र किए जाते हैं।
सरोगेट मॉडलिंग: एक अज्ञात हैमिल्टनियन फलन $H$ $H$ का अनुमान लगाने के लिए एक गौसियन प्रोसेस (GP) को प्रशिक्षित किया जाता है।
- लेखक इस तथ्य का उपयोग करते हैं कि GPs रैखिक रूपांतरणों के तहत अपरिवर्तित (invariant) रहते हैं। वे एक भौतिकी-सूचित (physics-informed) कर्नेल फंक्शन ( $k_{dPHS}$ ) का निर्माण करते हैं जो ज्ञात सिस्टम मैट्रिसेस ( $P_1, P_0, G_0$ ) और स्थानिक अवकल ऑपरेटरों को समाहित करता है।
- मॉडल अनुमानित हैमिल्टनियन $\mu(\hat{H}|E)$ (अनुमानित हैमिल्टनियन) और अनिश्चितता (पोस्टीरियर वेरिएंस) को सीखता है।
- प्रशिक्षण के लिए आवश्यक स्टेट डेरिवेटिव्स का अनुमान GP की अपने स्वयं के पोस्टीरियर मीन को डिफरेंशिएट करने की क्षमता का उपयोग करके लगाया जाता है।

B. नियंत्रण डिजाइन: नए पैसिव आउटपुट के साथ इंटरकनेक्शन

कंट्रोल बाय इंटरकनेक्शन: एक परिमित-आयामी नियंत्रक (जो स्वयं PHS रूप में है) को बाउंड्री पर PDE सिस्टम के साथ इंटरकनेक्ट किया जाता है।
डिसिपेशन बाधा को पार करना: मानक आउटपुट $y$ $y$ के बजाय, लेखक एक नया पैसिव आउटपुट $\bar{y}$ $\overset{y}{ˉ}$ नियोजित करते हैं।
- यह आउटपुट मूल आउटपुट को डिसिपेशन मैट्रिक्स $G_0$ और सीखे गए हैमिल्टनियन ग्रेडिएंट पर निर्भर पद (term) के साथ संशोधित करके प्राप्त किया जाता है।
- यह संशोधन नियंत्रक को आंतरिक क्षय की उपस्थिति में भी ऊर्जा फलन को आकार देने की अनुमति देता है, जिससे शास्त्रीय डिसिपेशन बाधा प्रभावी रूप से दूर हो जाती है।
कैसिमिर फलन (Casimir Functions): नियंत्रक को कैसिमिर इनवेरिएंट्स (ऐसे फलन जो प्रक्षेपवक्रों के साथ स्थिर रहते हैं) उत्पन्न करने के लिए डिज़ाइन किया गया है। ये इनवेरिएंट्स नियंत्रक की अवस्था को प्लांट की अवस्था से जोड़ते हैं, जिससे क्लोज्ड-लूप ऊर्जा फलन $H_d$ को वांछित साम्यावस्था (equilibrium) पर न्यूनतम बनाने में मदद मिलती है।

C. मजबूती विश्लेषण (Robustness Analysis)

मॉडल मिसमैच हैंडलिंग: चूंकि नियंत्रक को सीखे गए मॉडल का उपयोग करके डिज़ाइन किया गया है लेकिन वास्तविक भौतिक प्रणाली पर लागू किया गया है, इसलिए एक मॉडल त्रुटि $\eta(x)$ मौजूद होती है।
संभाव्यता आधारित सीमा (Probabilistic Boundedness): लेखक GP द्वारा प्रदान की गई अनिश्चितता मात्रा निर्धारण (uncertainty quantification) का लाभ उठाते हैं। वे यह मान लेते हैं कि मॉडल त्रुटि उच्च संभावना के साथ सीमित (bounded) है।
ल्यपुनोव विश्लेषण (Lyapunov Analysis): ऊर्जा-आधारित विश्लेषण का उपयोग करते हुए, वे सिद्ध करते हैं कि यदि सिस्टम का अंतर्निहित डिसिपेशन ( $G_0$ ) मॉडल अनिश्चितता पर हावी रहता है, तो क्लोज्ड-लूप ऊर्जा डेरिवेटिव ऋणात्मक (या सीमित) रहता है। इससे एक प्रोबेबिलिस्टिक अल्टीमेट बाउंडेडनेस (probabilistic ultimate boundedness) परिणाम प्राप्त होता: सिस्टम के प्रक्षेपवक्र एक निर्दिष्ट संभावना के साथ साम्यावस्था के आसपास एक सीमित सेट के भीतर रहेंगे।

3. मुख्य योगदान (Key Contributions)

GP-dPHS फ्रेमवर्क: अज्ञात हैमिल्टनियन संरचनाओं को सीखने के लिए dPHS फॉर्मलिज्म में गौसियन प्रोसेस का एकीकरण, जो सिस्टम की भौतिक ऊर्जा-आधारित संरचना को बनाए रखता है।
डेटा-संचालित डिसिपेशन बाधा समाधान: "नए पैसिव आउटपुट" पद्धति का डेटा-संचालित मॉडलों पर अनुप्रयोग, जो बिना किसी सटीक विश्लेतिक मॉडल के आंतरिक डिसिपेशन वाले सिस्टम में ऊर्जा शेपिंग की अनुमति देता है।
संभाव्यता स्थिरता गारंटी (Probabilistic Stability Guarantees): उन कठोर शर्तों का व्युत्पन्न, जिनके तहत मॉडल मिसमैच के बावजूद क्लोज्ड-लूप सिस्टम स्थिर रहता है। नियत (deterministic) रोबस्ट कंट्रोल के विपरीत, यह दृष्टिकोण बाउंडेडनेस की संभाव्यता गारंटी प्रदान करने के लिए GP के अनिश्चितता अनुमानों का उपयोग करता है।
कैसिमिर-आधारित डिजाइन: यह प्रदर्शन करना कि सीखे गए मॉडल से प्राप्त कैसिमिर फलन वास्तविक भौतिक प्रणाली के लिए भी वैध रहते हैं क्योंकि वे साझा इंटरकनेक्शन संरचना को साझा करते हैं, जिससे पूर्ण सिस्टम पहचान (identification) के बिना नियंत्रक संश्लेषण संभव होता है।

4. परिणाम (Results)

इस कार्यप्रणाली का मूल्यांकन एक नॉनलीन शैलो वॉटर इक्वेशन (एक 1D PDE) का उपयोग करके किया गया, जिसमें एक ज्ञात डिसिपेशन पद और एक अज्ञात नॉनलीन टर्बुलेंस टर्म ( $\Delta(p)$ ) था।

सिमुलेशन सेटअप: हैमिल्टनियन को सीखने के लिए GP को 100 डेटा पॉइंट्स पर प्रशिक्षित किया गया, जिसमें टर्बुलेंस टर्म को अज्ञात माना गया।
प्रदर्शन:
- नियंत्रक ने पानी के स्तर को एक स्थिर प्रारंभिक अवस्था से वांछित साम्यावस्था प्रोफाइल तक सफलतापूर्वक नियंत्रित किया।
- हैमिल्टनियन विकास: जब सीखे गए मॉडल का उपयोग किया गया, तो मॉडल मिसमैच के कारण क्लोज्ड-लूप हैमिल्टनियन शुरू में थोड़ा बढ़ा, लेकिन अंततः स्थिर अवस्था के आसपास एक सीमित सेट में अभिसरित (converge) हो गया।
- तुलना: इसके विपरीत, एक नियंत्रक जिसे परफेक्ट (वास्तविक) हैमिल्टनियन के साथ डिज़ाइन किया गया था, उसने निरंतर गैर-बढ़ता (non-increasing) हैमिल्टनियन दिखाया।
वैधीकरण: सिमुलेशन ने पुष्टि की कि सिस्टम प्रक्षेपवक्र सीमित (bounded) रहे, जो प्रस्ताव 3 (Proposition 3) में व्युत्पन्न सैद्धांतिक संभाव्यता सीमाओं को मान्य करता है।

5. महत्व (Significance)

यह कार्य फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग फॉर कंट्रोल की दिशा में एक महत्वपूर्ण कदम है।

अंतराल को पाटना: यह डेटा-संचालित लर्निंग (जो अज्ञात गैर-रैखिकता को संभालती है) और संरचित नियंत्रण सिद्धांत (जो स्थिरता और भौतिक निरंतरता की गारंटी देता है) के बीच के अंतर को पाटता है।
व्यावहारिक प्रयोज्यता: यह जटिल भौतिक प्रणालियों (जैसे द्रव गतििकी या लचीली संरचनाओं) को नियंत्रित करने के लिए एक समाधान प्रदान करता है जहाँ सटीक प्रथम-सिद्धांत (first-principles) मॉडल बनाना कठिन या असंभव है।
सुरक्षा और विश्वसनीयता: अनिश्चितता मात्रा निर्धारण को सीधे स्थिरता विश्लेषण में शामिल करके, यह विधि स्थिरता की गारंटी (संभाव्यता आधारित बाउंडेडनेस) प्रदान करती है जो डेटा-संचालित नियंत्रकों के वास्तविक दुनिया में उपयोग के लिए अत्यंत महत्वपूर्ण है।
सीमाओं को दूर करना: यह डेटा-संचालित नियंत्रण के संदर्भ में लंबे समय से चली आ रही "डिसिपेशन बाधा" को हल करता है, जिससे ऊर्जा-शेपिंग तकनीकों का उपयोग करके स्थिर किए जा सकने वाले सिस्टम के वर्ग का विस्तार होता है।