Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems

यहाँ बिन एन (Binh Nguyen), नाम टी. एन (Nam T. Nguyen), और ट्रुओंग एक्स. एनघिएम (Truong X. Nghiem) के शोध पत्र "Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र न्यूरल नेटवर्क का उपयोग करके पोर्ट-हैमिल्टोनियन सिस्टम (PHS) के डेटा-संचालित मॉडलिंग की चुनौती को संबोधित करता है। जबकि पोर्ट-हैमिल्टोनियन न्यूरल नेटवर्क (PHNNs) ऊर्जा संरचनाओं को संरक्षित करते हुए भौतिक गतिकी (physical dynamics) को सीखने में प्रभावी हैं, मौजूदा विधियों को दो महत्वपूर्ण सीमाओं का सामना करना पड़ता है:

1. कन्वेक्सिटी बाधा (Convexity Constraint): अधिकांश वर्तमान दृष्टिकोण हैमिल्टनियन फलन (Hamiltonian function) को अनुमानित करने के लिए इनपुट कॉन्वेक्स न्यूरल नेटवर्क (ICNNs) पर निर्भर करते हैं। यह हैमिल्टनियन को 'कॉन्वेक्स' होने के लिए मजबूर करता है, जो कई वास्तविक दुनिया के सिस्टमों (जैसे पेंडुलम, टोडा लैटिस) के लिए भौतिक रूप से सटीक नहीं है, जहाँ ऊर्जा परिदृश्य (energy landscape) नॉन-कॉन्वेक्स (non-convex) होता है।
2. एकल संतुलन सीमा (Single Equilibrium Limitation): ICNN-आधारित विधियाँ आमतौर पर एक एकल संतुलन बिंदु (आमतौर पर मूल बिंदु/origin) पर स्थिरता लागू करती हैं। वे कई अलग-अलग स्थिर संतुलनों (multiple isolated stable equilibria) वाले सिस्टम को मॉडल करने में संघर्ष करती हैं, जिससे अक्सर सिस्टम गलत संतुलन की ओर जाने लगता है या सही स्थानीय स्थिरता गुणों को पकड़ने में विफल रहता है।

लक्ष्य एक ऐसा लर्निंग फ्रेमवर्क विकसित करना है जो अंतर्निहित PHS संरचना को संरक्षित करे, ज्ञात कई स्थिर संतुलनों पर स्थिरता सुनिश्चित करे, और हैमिल्टनियन फलन पर 'कॉन्वेक्सिटी' की आवश्यकता को शिथिल करे।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन न्यूरल नेटवर्क आर्किटेक्चर और लर्निंग प्रक्रिया प्रस्तावित करते हैं जिसे केवल रेगुलराइजेशन पेनल्टी के माध्यम से नहीं, बल्कि निर्माण द्वारा स्थिरता लागू करने के लिए डिज़ाइन किया गया है।

अ. नवीन न्यूरल हैमिल्टनियन आर्किटेक्चर (Novel Neural Hamiltonian Architecture)

मुख्य नवाचार एक विशेष रूप से डिज़ाइन किया गया हैमिल्टनियन फलन $\hat{H}(x)$ है जो यह सुनिश्चित करता है कि विशिष्ट बिंदु $x_{eq}$ 'स्ट्रिक्ट मिनिमा' (strict minima) हों, जिससे स्थिरता सुनिश्चित होती है।

• संरचना (Structure): हैमिल्टनियन को इस प्रकार परिभाषित किया गया है:
  $$\hat{H}(x) = \text{NN}_H(x) \cdot h(\sigma(\|x - x_{eq}\|^2))$$
  जहाँ:
  • $\text{NN}_H(x)$ एक मानक न्यूरल नेटवर्क है जो धनात्मक मान आउटपुट करता है।
  • $\sigma(\cdot)$ एक स्मूथ, डिफरेंशिएबल स्मूथिंग फंक्शन है (जैसे, $\sqrt{\|x-x_{eq}\|^2 + \delta^2} - \delta$) जो संतुलन पर नॉन-डिफरेंशिएबिलिटी को संभालने के लिए है।
  • $h(\cdot)$ एक स्मूथ स्टेप फंक्शन है (पॉलीनोमियल निर्माण पर आधारित) जो 0 से 1 तक संक्रमण करता है।
• तंत्र (Mechanism):
  • क्षेत्र $\Omega_b$ के भीतर ( $x_{eq}$ के पास): फलन $h$ और इसके डेरिवेटिव को इस तरह डिज़ाइन किया गया है कि $\nabla_x \hat{H}(x_{eq}) = 0$ हो और $x_{eq}$ एक स्ट्रिक्ट लोकल मिनिमम बन जाए। यह बिना वैश्विक 'कॉन्वेक्सिटी' की आवश्यकता के लियापुनोव स्थिरता (Lyapunov stability) की शर्तों को पूरा करता है।
  • क्षेत्र $\Omega_b$ के बाहर: फलन $h$, 1 हो जाता है, और $\hat{H}(x)$ मानक $\text{NN}_H(x)$ में वापस आ जाता है, जिससे नेटवर्क जटिल, नॉन-कॉन्वेक्स गतिकी को स्वतंत्र रूप से सीखने में सक्षम होता है।

ब. कई संतुलनों को संभालना (Handling Multiple Equilibria)

$n_{eq}$ अलग-थलग स्थिर संतुलनों को मॉडल करने के लिए, लेखक आर्किटेक्चर का विस्तार करते हैं:
$$\hat{H}(x) = \text{NN}_H(x) \cdot h_{\Sigma}(x; x^{(1)}_{eq}, \dots, x^{(n_{eq})}_{eq})$$
जहाँ $h_{\Sigma}$ प्रत्येक संतुलन के चारों ओर व्यक्तिगत स्टेप फंक्शन्स का एक योग है। प्रत्येक संतुलन के चारों ओर सक्रिय क्षेत्रों (त्रिज्या $b$ के गोले) को गैर-अतिव्यापी (non-overlapping) चुना जाता है। यह प्रत्येक संतुलन की स्थिरता का स्वतंत्र रूप से विश्लेषण और गारंटी देने की अनुमति देता है।

स. लर्निंग प्रक्रिया (Learning Procedure)

• संरचना संरक्षण (Structure Preservation): इंटरकनेक्शन मैट्रिक्स $\hat{J}(x)$ और डिसिपेशन मैट्रिक्स $\hat{R}(x)$ को संरचनात्मक बाधाओं (J के लिए स्केव-सिमेट्रिक, और R के लिए सिमेट्रिक पॉजिटिव सेमी-डेफिनिट) के साथ न्यूरल नेटवर्क का उपयोग करके पैरामीटराइज़ किया गया है ताकि PHS रूप बना रहे।
• प्रशिक्षण (Training): मॉडल को अनुमानित स्टेट ट्राजेक्टरी (सिम्प्लेक्टिक इंटीग्रेशन के माध्यम से प्राप्त) और ग्राउंड ट्रुथ डेटा के बीच त्रुटि को कम करने के लिए प्रशिक्षित किया जाता है।
• स्थिरता गारंटी (Stability Guarantee): पिछले तरीकों के विपरीत, जो एक रेगुलराइजेशन टर्म $\lambda \|\nabla H(x_{eq})\|^2$ जोड़ते हैं (जो केवल शून्य ग्रेडिएंट का अनुमान लगाता है), यह विधि नेटवर्क आर्किटेक्चर में ही ज़ीरो-ग्रेडिएंट और स्ट्रिक्ट मिनिमम गुणों को हार्ड-कोड करती है।

3. मुख्य योगदान (Key Contributions)

1. शिथिल कॉनवेक्सिटी (Relaxed Convexity): यह विधि हैमिल्टनियन पर प्रतिबंधात्मक 'कॉन्वेक्सिटी' धारणा को हटा देती है, जिससे भौतिक प्रणालियों के लिए सामान्य नॉन-कॉन्वेक्स ऊर्जा परिदृश्य को मॉडल करना संभव हो जाता है।
2. बहु-संतुलन स्थिरता (Multi-Equilibrium Stability): यह एक साथ कई अलग-थलग स्थिर संतुलनों को संरक्षित करने के लिए एक कठोर ढांचा प्रदान करता है, जो मानक ICNN-आधारित PHNNs में एक कमी है।
3. सैद्धांतिक गारंटी (Theoretical Guarantees): लेखक एक कठोर स्थिरता विश्लेषण (थ्योरम 3 और प्रपोजिशन 4) प्रदान करते हैं, जो यह सिद्ध करता है कि यदि डिसिपेशन मैट्रिक्स पड़ोस में पॉजिटिव डेफिनिट है, तो सीखा गया मॉडल निर्दिष्ट संतुलनों पर स्थानीय एसिम्प्टोटिक स्थिरता (local asymptotic stability) को सुरक्षित रखता है।
4. अट्रैक्शन क्षेत्र का अनुमान (Region of Attraction Estimation): यह पेपर प्रत्येक संतुलन के लिए अट्रैक्शन क्षेत्र का अनुमान लगाने के लिए स्थितियाँ व्युत्पन्न करता है, यह सुनिश्चित करता है कि एक विशिष्ट सीमा के भीतर से शुरू होने वाले ट्राजेक्टरीज सही संतुलन की ओर बढ़ें।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि को दो न्यूमेरिकल बेंचमार्क पर मान्य किया गया और एक बेसलाइन PH-ICNN (पोर्ट-हैमिल्टोनियन इनपुट कॉन्वेक्स न्यूरल नेटवर्क) के विरुद्ध तुलना की गई।

• केस 1: टोडा लैटिस सिस्टम (एकल संतुलन - Toda Lattice System)

  • सेटअप: एक नॉन-कॉन्वेक्स हैमिल्टनियन के साथ कणों की एक नॉनलीन श्रृंखला।
  • परिणाम: प्रस्तावित मॉडल ने पल्स और साइनुसोइडल इनपुट दोनों के तहत PH-ICNN की तुलना में स्टेट ट्राजेक्टरी, आउटपुट और हैमिल्टनियन मानों की भविष्यवाणी करने में उच्च सटीकता प्राप्त की। इसने अनपर्बर्ड (unperturbed) स्थिति में सिस्टम को मूल बिंदु (origin) संतुलन पर सही ढंग से बनाए रखा।

• केस 2: डबल पेंडुलम सिस्टम (बहु-संतुलन - Double Pendulum System)

  • सेटअप: एक ऑटोनॉमस डबल पेंडुलम जिसमें अनंत संतुलन होते हैं (जैसे, $0, 2\pi, -2\pi$ पर लटका हुआ)।
  • परिणाम:
    • PH-ICNN की विफलता: ICNN-आधारित मॉडल गैर-ओरिजिन संतुलन (जैसे, $2\pi$) की ओर अभिसरण (converge) करने में विफल रहा, और अपनी संरचनात्मक सीमाओं के कारण सिस्टम को मूल बिंदु की ओर धकेल दिया। इसने मूल बिंदु की ओर जाने के दौरान भी गलत ट्रांजिएंट ट्राजेक्टरीज उत्पन्न कीं।
    • प्रस्तावित विधि की सफलता: प्रस्तावित मॉडल ने सही संतुलन बिंदुओं (जिनमें $2\pi$ और $-2\pi$ शामिल हैं) पर सफलतापूर्वक अभिसरण किया और ट्रांजिएंट गतिकी को सटीक रूप से पुनरुत्पादित किया, जो बेसलाइन की तुलना में ग्राउंड ट्रुथ से काफी बेहतर था।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य गतिशील प्रणालियों के लिए फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। 'कॉन्वेक्सिटी' के वैश्विक आवश्यकता को स्थिरता संरक्षण से अलग करके, प्रस्तावित विधि पोर्ट-हैमिल्टोनियन सिस्टम की सैद्धांतिक आवश्यकताओं और वास्तविक दुनिया के भौतिक मॉडलों की व्यावहारिक जटिलता के बीच के अंतर को पाटती है।

• प्रभाव: यह जटिल, मल्टी-स्टेबल भौतिक प्रणालियों (जैसे रोबोटिक्स, पावर ग्रिड और मैकेनिकल लिंकेज) के सीखने के लिए न्यूरल नेटवर्क के उपयोग को सक्षम बनाता है जहाँ कई ऑपरेटिंग पॉइंट्स मौजूद होते हैं।
• भावी कार्य: लेखक इस फ्रेमवर्क को कंट्रोल अनुप्रयोगों तक विस्तारित करने और वास्तविक भौतिक हार्डवेयर पर इसे मान्य करने की योजना बना रहे हैं।

संक्षेप में, यह शोध पत्र PHS को सीखने के लिए एक मजबूत, सैद्धांतिक रूप से स्थापित समाधान प्रदान करता है जो कई ऑपरेटिंग पॉइंट्स पर संरचनात्मक रूप से निष्ठावान (structurally faithful) और स्थिरता-संरक्षण (stability-preserving) दोनों है, जो कॉनवेक्सिटी-आधारित दृष्टिकोणों की मौलिक सीमाओं को दूर करता है।