Data-driven approximation of regions of attraction via an LP-based selection of PWA Lyapunov functions

तकनीकी सारांश: PWA लाइयापुनोव फलनों के LP-आधारित चयन के माध्यम से आकर्षण क्षेत्रों (Regions of Attraction) का डेटा-संचालित सन्निकटन

समस्या का निरूपण
यह शोध पत्र अज्ञात वेक्टर फील्ड्स, $\dot{x} = f(x)$ वाले गैर-रेखीय गतिशील प्रणालियों (nonlinear dynamical systems) के लिए स्थिरता को प्रमाणित करने और आकर्षण क्षेत्र (Region of Attraction - RoA) के सन्निकटन की चुनौती को संबोधित करता है। पारंपरिक स्थिरता विश्लेषण स्पष्ट गणितीय मॉडलों पर निर्भर करता है, जो अक्सर जटिल गैर-रेखीय प्रणालियों के लिए उपलब्ध नहीं होते हैं। हालांकि डेटा-संचालित विधियाँ मौजूद हैं, लेकिन उनमें से कई (जैसे न्यूरल नेटवर्क-आधारित दृष्टिकोण) में स्पष्ट मजबूती (robustness) के प्रमाणों का अभाव होता है, और अन्य (जैसे Sum-of-Squares) संरचनात्मक धारणाओं पर निर्भर करते हैं जो पूर्णतः डेटा-संचालित प्रयोज्यता को सीमित कर सकते हैं।

इसका उद्देश्य केवल वेक्टर फील्ड के बिंदु-वार मूल्यांकन (डेटा) और ज्ञात लिप्सचिट्ज़ निरंतरता (Lipschitz continuity) सीमाओं का उपयोग करके एक प्रमाणित RoA का निर्माण करना है। समस्या यह मानती है कि:

1. एक अद्वितीय स्थानीय स्पर्शोन्मुखी रूप से स्थिर (locally asymptotically stable) संतुलन (मूल बिंदु माना गया) मौजूद है।
2. वेक्टर फील्ड $f$, एक ज्ञात घटक-वार ऊपरी सीमा $M$ के साथ लिप्सचिट्ज़ निरंतर (Lipschitz continuous) है।
3. सिमुलेशन या मापन से प्राप्त एक डेटासेट $D_{N_d} = \{(x_i, f_i)\}$ उपलब्ध है।
4. एक छोटा सुरक्षित बहुफलकीय सेट (polyhedral set) $A$, जिसमें संतुलन बिंदु स्थित है, मौजूद है।

कार्यप्रणाली (Methodology)
प्रस्तावित ढांचा तीन मुख्य चरणों में आगे बढ़ता है: अनिश्चितता लक्षण वर्णन, अवस्था-स्थान टेसेलेशन (state-space tessellation), और LP-आधारित लाइयापुनोव उम्मीदवार का संश्लेषण।

1. अनिश्चितता सेट का निर्माण:
   लिप्सचिट्ज़ निरंतरता की धारणा और उपलब्ध डेटा के आधार पर, लेखक एक बहुफलकीय अनिश्चितता सेट $F_{D_{N_d}}$ का निर्माण करते हैं जो डेटा के अनुरूप सभी स्वीकार्य वेक्टर फील्ड्स का प्रतिनिधित्व करता है।

• प्रत्येक डेटा बिंदु $(x_i, f_i)$ के लिए, लिप्सचिट्ज़ बाधा $|f(x) - f_i| \leq M\|x - x_i\|_\infty$ स्वीकार्य मानों के एक सेट को परिभाषित करती है।
• इस बाधा को $\mathbb{R}^{n+1}$ (अवस्था और वेक्टर फील्ड मान) में बहुफलकीय शंकुओं (polyhedral cones) के संघ (union) के रूप में पुनर्गठित किया गया है।
• वैश्विक अनिश्चितता सेट इन सभी डेटा बिंदुओं पर इन सेटों का प्रतिच्छेदन (intersection) है।
• महत्वपूर्ण रूप से, किसी भी अवस्था $x$ के लिए, स्वीकार्य वेक्टर फील्ड मानों का सेट $F(x)$ एक हाइपरबॉक्स (अंतरालों का कार्टेशियन उत्पाद) बनाता है। यह सेट-वैल्यूड मैप सिस्टम डायनेमिक्स को एक डिफरेंशियल इनक्लूजन $\dot{x} \in F(x)$ के रूप में वर्णित करने की अनुमति देता है।

2. अवस्था-स्थान टेसेलेशन और PWA उम्मीदवार:
   अवस्था स्थान $X$ को एक बहुफलकीय टेसेलेशन $\{Y_j\}$ में विभाजित किया जाता है। टेसेलेशन के शीर्ष (vertices) अनिश्चितता सेट के ग्राफ के शीर्षों के प्रक्षेपण (projections) से प्राप्त किए जाते हैं। यह सुनिश्चित करता है कि विभाजन अनिश्चितता की ज्यामितीय संरचना के अनुरूप हो।
   एक निरंतर पीसवाइज एफाइन (PWA) लाइयापुनोव उम्मीदवार $V(x)$ को इस विभाजन पर परिभाषित किया जाता है:
   $$V(x) = a_j^T x + b_j, \quad \forall x \in Y_j$$
   यहाँ गुणांक $(a_j, b_j)$ वे निर्णय चर (decision variables) हैं जिन्हें निर्धारित किया जाना है।

3. LP-आधारित संश्लेषण:
   लेखक एक लीनियर प्रोग्रामिंग (LP) का निर्माण करते हैं ताकि $(a_j, b_j)$ के गुणांकों का चयन किया जा सके जिससे $V(x)$ सभी स्वीकार्य डायनेमिक्स $F(x)$ के लिए लाइयापुनोव स्थितियों को संतुष्ट करे।

• सकारात्मकता और निरंतरता: टेसेलेशन के शीर्षों और सेल सीमाओं के साथ रैखिक बाधाओं के माध्यम से लागू की जाती है।
• कमी की स्थिति (Decrease Condition): शर्त $\nabla V(x)^T f(x) < 0$ को $F(x)$ में सभी $f(x)$ के लिए संतुष्ट होना चाहिए। चूंकि $F(x)$ एक उत्तल (convex) हाइपरबॉक्स है, इसलिए इसका अधिकतम मान हाइपरबॉक्स के शीर्षों पर प्राप्त होता है। अतः, इस शर्त को हाइपरबॉक्स के शीर्षों $F_v(x)$ के सीमित सेट पर लागू किया जाता है।
• विश्रांति (Relaxation): अपूर्णता (infeasibility) को संभालने के लिए स्लैक वेरिएबल्स (slack variables) पेश किए गए हैं (उदाहरण के लिए, संतुलन के पास या जहाँ डेटा अपर्याप्त हो), जो एक पुनरावृत्ति परिशोधन प्रक्रिया (iterative refinement process) की अनुमति देते हैं।

4. पुनरावृत्ति एल्गोरिदम (Iterative Algorithm):
   एक पुनरावृत्ति एल्गोरिदम (एल्गोरिदम 1) प्रस्तावित है:

• अनिश्चितता सेट का निर्माण करें और शीर्ष निकालें।
• LP को हल करें।
• यदि लाइयापुनोव कमी की स्थिति संतुष्ट नहीं होती है (गैर-ऋणात्मक स्लैक वेरिएबल्स द्वारा इंगित) या यदि अनिश्चितता सेट में शून्य शामिल है (अपर्याप्त डेटा का संकेत), तो समस्याग्रस्त शीर्षों पर नए डेटा बिंदु जोड़े जाते हैं।
• प्रक्रिया तब तक दोहराई जाती है जब तक कि एक वैध RoA प्रमाणित न हो जाए या पुनरावृत्ति सीमा समाप्त न हो जाए।

प्रमुख योगदान

• स्पष्ट अनिश्चितता मॉडलिंग: शोध पत्र उपलब्ध लिप्सचिट्ज़ बाउंड्स और डेटा से एक बहुफलकीय अनिश्चितता सेट बनाने के लिए एक कठोर विधि प्रदान करता है, जो अज्ञात डायनेमिक्स को एक सुलभ डिफरेंशियल इनक्लूजन में बदल देता है।
• LP-आधारित प्रमाणन: अन्य विधियों के विपरीत जो सेकंड-ऑर्डर कोन प्रोग्रामिंग (SOCP) या न्यूरल नेटवर्क पर निर्भर करती हैं, यह दृष्टिकोण स्थिरता प्रमाणन को लीनियर प्रोग्रामिंग के रूप में स्वरूपित करता है। यह अनिश्चितता सेट की हाइपरबॉक्स संरचना का लाभ उठाकर और इसके शीर्षों पर शर्तों का मूल्यांकन करके प्राप्त किया जाता है।
• चिंताओं का पृथक्करण (Separation of Concerns): कार्यप्रणाली अनिश्चितता के लक्षण वर्णन और लाइयापुनोव संश्लेषण को अलग करती है। यह दो-चरणीय दृष्टिकोण व्याख्यात्मकता में सुधार करता है और डेटा की सूचनात्मकता के आधार पर पुनरावृत्ति परिशोधन की अनुमति देता है।
• प्रमाणित RoA निष्कर्षण: यह विधि गारंटी देती है कि परिणामी PWA फलन का सबलेवल सेट (sublevel set), जो संतुलन बिंदु वाले जुड़े घटक तक सीमित है, डेटा के अनुरूप एक वैध आकर्षण क्षेत्र (RoA) है।

संख्यात्मक परिणाम
विधि को दो उदाहरणों पर मान्य किया गया: एक सरल डैम्प्ड पेंडुलम और एक इनवर्टेड-टाइम वैन डेर पोल ऑसिलेटर।

• डैम्प्ंड पेंडुलम: एल्गोरिदम 4 पुनरावृत्तियों में अभिसरित (converge) हुआ, जिसने सफलतापूर्वक एक प्रमाणित RoA निकाला जो वास्तविक RoA के आकार से मेल खाता था। अनुकूलन समय, अनिश्चितता सीमाओं की गणना के लिए आवश्यक डेटा प्रोसेसिंग समय की तुलना में नगण्य था।
• वैन डेर पोल ऑसिलेटर: विधि 3 पुनरावृत्तियों में अभिसरित हुई। हालांकि प्रमाणित RoA सफलतापूर्वक पहचाना गया, परिणामों ने रेखांकित किया कि लाइयापुनोव कमी की स्थिति वैश्विक रूप से संतुष्ट नहीं थी (कुछ स्लैक वेरिएबल्स प्रमाणित क्षेत्र के बाहर गैर-ऋणात्मक रहे), जो प्रमाणित सीमाओं को प्रदान करने की विधि की क्षमता को प्रदर्शित करता है भले ही उपलब्ध डेटा से वैश्विक स्थिरता सिद्ध न की जा सके।

महत्व और दावे
शोध पत्र का दावा है कि इसका प्राथमिक योगदान एक व्यापक, पूर्णतः डेटा-संचालित ढांचा है जो न्यूरल नेटवर्क की "ब्लैक बॉक्स" प्रकृति और बहुपद विधियों की संरचनात्मक धारणाओं से बचता है। एक PWA लाइयापुनोव फंक्शन के साथ स्पष्ट अनिश्चितता सेटों को जोड़कर, यह दृष्टिकोण निम्नलिखित प्रदान करता है:

1. मजबूती (Robustness): गारंटी केवल नमूना लिए गए बिंदुओं के लिए ही नहीं, बल्कि डेटा और लिप्सचिट्ज़ बाउंड्स के अनुरूप सभी डायनेमिक्स के लिए मान्य है।
2. गणना संबंधी सुगमता (Computational Tractability): LP का उपयोग इसे SOCP स्वरूपों की तुलना में स्केलेबल बनाता है।
3. व्याख्यात्मकता (Interpretability): अनिश्चितता मॉडलिंग और लाइयापुनोव चयन का पृथक्करण एक स्पष्ट, चरण-दर-चरण प्रमाणन प्रक्रिया प्रदान करता है।

लेखक इस कार्य को सैद्धांतिक रोबस्ट कंट्रोल (डिफरेंशियल इनक्लूजन) और आधुनिक डेटा-संचालित नियंत्रण के बीच एक सेतु के रूप में देखते हैं, जो प्रणाली के पैरामेट्रिक मॉडल की आवश्यकता के बिना, विरल डेटा (sparse data) से प्रमाणित स्थिरता गुणों को निकालने के लिए एक व्यावहारिक उपकरण प्रदान करता है।