Nonlinear Network Identifiability with Full Excitations

Sintesi Tecnica: Identificabilità di Reti Nonlineari con Eccitazioni Complete

Formulazione del Problema
Questo articolo affronta il problema dell'identificabilità di rete per sistemi non lineari caratterizzati da dinamiche additive a livello di arco. La rete è modellata come un grafo diretto debolmente connesso $G=(V, E)$ dove lo stato di ogni nodo $i$ al tempo $k$ è determinato da un segnale di eccitazione esterna $u_{i}^{k-1}$ e dagli output passati dei suoi vicini in entrata $j \in N_i$ attraverso funzioni non lineari $f_{i,j}$. Il modello assume l'eccitazione completa (tutti i nodi possono essere eccitati) e una memoria finita. L'obiettivo è determinare le condizioni necessarie e sufficienti sull'insieme dei nodi misurati ($N_m$) affinché la dinamica locale (le funzioni $f_{i,j}$) possa essere identificata univocamente dalla dinamica globale (le relazioni input-output $F_i$).

L'analisi distingue tra due casi topologici primari:

1. Grafi Aciclici Diretti (DAG): Reti prive di cicli.
2. Digrafi Generali: Reti che possono contenere cicli.

Lo studio considera classi specifiche di funzioni non lineari, che spaziano da tutte le funzioni continuamente differenziabili fino a funzioni due volte continuamente differenziabili con proprietà specifiche (ad esempio, $f(0)=0$ e componenti non lineari).

Metodologia
Gli autori utilizzano un quadro teorico basato sui principi dell'identificazione dei sistemi, assumendo uno scenario ideale in cui le funzioni input-output globali $F_i$ sono perfettamente note. La metodologia procede come segue:

1. Restrizione della Classe: Gli autori analizzano l'identificabilità all'interno di classi di funzioni specifiche. Considerano prima la classe di tutte le funzioni ($\mathcal{F}_{ALL}$) e poi la raffinano in funzioni continuamente differenziabili senza offset statico ($\mathcal{F}_Z$, dove $f(0)=0$), e infine in funzioni due volte continuamente differenziabili che non sono puramente lineari ($\mathcal{F}_{Z,NL}$).
2. Analisi dei DAG: Per i DAG, gli autori sfruttano la proprietà per cui l'informazione fluisce in modo unidirezionale. Utilizzano un approccio ricorsivo, partendo dai sink (nodi senza archi in uscita). Lemmi chiave stabiliscono che se un nodo $i$ è misurato e ha un vicino in entrata $j$ con un percorso unico verso $i$, la funzione di arco $f_{i,j}$ può essere isolata. Per i DAG generici, utilizzano un argomento di "rimozione di un nodo" (Lemma 4) per dimostrare che se un nodo con un percorso unico verso un nodo misurato viene identificato, l'identificabilità del sottografo rimanente può essere analizzata ricorsivamente.
3. Analisi dei Digrafi Generali: Per i grafi con cicli, la relazione input-output coinvolge un numero infinito di input passati. Per gestire questo aspetto, gli autori introducono l'Assunzione 3 (la rete è inizialmente a riposo al tempo $k=0$) e l'Assunzione 4 (le funzioni sono additivamente separabili). Sotto queste assunzioni, costruiscono un digrafo srotolato $H_i^k(G)$, che è una rappresentazione nel tempo espansa e aciclica del grafo originale. Questa costruzione trasforma il problema di identificazione ciclico in un problema di identificazione di un DAG.
4. Digrafo di Condensazione: Per i digrafi generali, gli autori utilizzano il digrafo di condensazione $C(G)$, dove ogni componente fortemente connessa è collassata in un singolo nodo. Poiché $C(G)$ è un DAG, i risultati derivati per i DAG vengono applicati a $C(G)$ per determinare le misurazioni necessarie per il grafo originale.

Contributi Chiave e Risultati

• Impossibilità in Classi Non Lineari Generali: L'articolo dimostra che per la classe di tutte le funzioni ($\mathcal{F}_{ALL}$), l'identificabilità è impossibile se un nodo ha più di un vicino in entrata, anche con misurazione completa. Ciò è dovuto all'impossibilità di distinguere gli spostamenti costanti nelle funzioni additive (Proposizione 2).
• DAG con Funzioni Smooth:
  • Per i grafi a percorso e gli alberi nella classe $\mathcal{F}_Z$ (continuamente differenziabili, $f(0)=0$), la misurazione del sink è necessaria e sufficiente.
  • Per i DAG generici nella classe $\mathcal{F}_{Z,NL}$ (due volte continuamente differenziabili, $f(0)=0$, e non puramente lineari), la misurazione di tutti i sink è necessaria e sufficiente (Teorema 1).
  • Significato: A differenza dei sistemi lineari, dove l'identificazione degli archi in uscita di un nodo richiede molteplici percorsi disgiunti tra i vertici verso i nodi misurati, i sistemi non lineari permettono l'identificazione di tutti gli archi misurando solo i sink, a condizione che le funzioni siano sufficientemente smooth e non lineari.
• Digrafi Generali:
  • Sotto le assunzioni di riposo iniziale e funzioni additivamente separabili, un digrafo generale è identificabile se e solo se un nodo è misurato in ogni sink del digrafo di condensazione (Teorema 2).
  • Questo risultato estende i risultati dei DAG alle reti cicliche sfruttando la costruzione del digrafo srotolato, dimostrando che la misurazione dei sink del grafo di condensazione garantisce l'identificabilità di tutti i cammini nel network originale.

Significatività e Rivendicazioni
L'articolo sostiene di aver derivato le prime condizioni di identificabilità per reti non lineari in tempo discreto basate sulla topologia di rete. La principale significatività risiede nel contrasto con l'identificabilità dei sistemi lineari:

• Requisiti di Misurazione Più Deboli: Nelle reti non lineari, la non linearità delle funzioni permette al sistema di distinguere l'informazione che arriva tramite percorsi diversi (a differenza del principio di sovrapposizione nei sistemi lineari). Di conseguenza, il requisito di molteplici percorsi disgiunti verso i nodi misurati viene meno.
• Necessità della Misurazione dei Sink: Gli autori dimostrano che per i DAG, la misurazione dei sink non è solo sufficiente ma anche necessaria. Se un sink non viene misurato, i suoi archi in entrata non possono essere identificati.
• Ruolo delle Proprietà delle Funzioni: I risultati evidenziano che l'identificabilità dipende fortemente dalla classe di funzioni. Nello specifico, la presenza di termini costanti (non nullo $f(0)$) rende impossibile l'identificabilità per i nodi con più vicini in entrata, e le funzioni puramente lineari impediscono la separazione dei percorsi che le derivate non lineari consentono.

L'articolo conclude che, sebbene l'analisi assuma condizioni ideali (conoscenza perfetta del comportamento globale, classi di funzioni specifiche), questi limiti teorici forniscono un'intuizione fondamentale per la progettazione sperimentale. Se un arco non è identificabile sotto condizioni di informazione perfetta, non potrà essere identificato con informazioni parziali. Il lavoro pone le basi per la ricerca futura su modelli non additivi e classi di funzioni non differenziabili.