Input-to-State Stability of Gradient Flows in Distributional Space

1. Problema e Contesto

Il lavoro affronta la sfida di garantire la stabilità e la sicurezza di sciami robotici su larga scala (swarms) soggetti a disturbi esterni, errori di comunicazione e incertezze ambientali.

• Limiti degli approcci esistenti: Le tradizionali nozioni di Input-to-State Stability (ISS) per sistemi deterministici e Noise-to-State Stability (NSS) per sistemi stocastici sono state estese a spazi di dimensione infinita (es. spazi $L^p$). Tuttavia, l'uso della norma $L^p$ presenta limiti significativi:
  • Non cattura la geometria intrinseca delle misure (calcola solo "distanze verticali" tra densità, ignorando lo spostamento spaziale delle particelle).
  • Fallisce nel rappresentare adeguatamente sciami finiti modellati come misure discrete (es. delta di Dirac), che sono fondamentali nella realtà fisica.
  • Non distingue bene tra distribuzioni che hanno supporti non sovrapposti ma sono distanti nello spazio fisico.
• Obiettivo: Sviluppare una nuova nozione di stabilità, chiamata Input-to-State Stability Distribuzionale (dISS), basata sulla metrica di Wasserstein ($W_2$), che sia applicabile a flussi dinamici evoluti in spazi di probabilità. L'obiettivo è unificare la stabilità per sistemi deterministici e stocastici e fornire garanzie di robustezza per flussi gradiente di Wasserstein perturbati.

2. Metodologia

Gli autori adottano un approccio basato sulla teoria del Trasporto Ottimo (Optimal Transport - OT) e sulla geometria dello spazio di Wasserstein.

• Spazio di Stato: Il sistema è modellato come un'evoluzione di una densità di probabilità $\rho_t$ nello spazio $\mathcal{P}_2(\Omega)$ (misure di probabilità con secondo momento finito) dotato della metrica $W_2$.
• Equazioni di Continuità: La dinamica dello sciame è descritta da equazioni di continuità (PDE) in forma di flussi gradiente:
  $$\partial_t \rho_t = -\nabla \cdot (\rho_t v_t)$$
  dove il campo di velocità $v_t$ è influenzato da segnali di disturbo $u_t$.
• Definizione di dISS: Viene introdotta la definizione di dISS, che richiede che la distanza tra la distribuzione perturbata $\hat{\rho}_t$ e l'insieme degli stati stazionari ideali $\mathcal{P}^*$ sia limitata da una funzione decrescente della distanza iniziale e da una funzione della norma del disturbo:
  $$W_2(\hat{\rho}_t, \mathcal{P}^*) \leq \beta(W_2(\hat{\rho}_0, \mathcal{P}^*), t) + \gamma(\|u\|_c)$$
• Caratterizzazione Lyapunov: Viene stabilito un teorema che collega la dISS alla esistenza di un funzionale di Lyapunov distribuzionale. Questo funzionale deve soddisfare condizioni di positività (equivalenza con la distanza $W_2$) e di decadimento (la derivata temporale deve essere negativa definita quando la distanza supera una soglia legata al disturbo).
• Analisi dei Flussi Gradiente: Lo studio si concentra su flussi gradiente definiti da funzionali $l$-lisci (l-smooth) che soddisfano proprietà di crescita quadratica e dominanza del gradiente.

3. Contributi Chiave

1. Nuova Definizione di Stabilità (dISS): Introduzione di un concetto di stabilità che utilizza la metrica di Wasserstein, capace di gestire sia misure assolutamente continue (densità) sia misure discrete (agenti finiti), catturando la geometria dello spostamento di massa.
2. Unificazione Teorica: Dimostrazione che la dISS unifica e rafforza le nozioni classiche di ISS (per sistemi deterministici) e NSS (per sistemi stocastici). In particolare, per domini compatti, la stabilità della distribuzione implica la stabilità delle traiettorie delle singole particelle e viceversa.
3. Robustezza dei Flussi Gradiente: Prove che i flussi gradiente di Wasserstein associati a funzionali $l$-lisci (come la distanza quadratica da un target o funzioni di perdita proprie) sono dISS rispetto a disturbi limitati.
4. Applicazione a Disturbi Entropici e Approssimazioni:
   • Disturbi Entropici: Analisi della robustezza di flussi soggetti a termini di diffusione (rumore stocastico), mostrando che il controllo tramite trasporto ottimo è robusto a rumore di covarianza sconosciuta.
   • Approssimazioni Campionate: Studio degli errori introdotti quando si implementano algoritmi su un numero finito di agenti ($N$) utilizzando stime di densità (KDE - Kernel Density Estimation) o trasporto ottimo semi-discreto.
5. Caratterizzazione dell'Errore di Approssimazione: Derivazione di un limite superiore per l'errore residuo in funzione del numero di agenti $N$. Per il trasporto ottimo semi-discreto, l'errore asintotico è proporzionale a $N^{-2/d}$ (dove $d$ è la dimensione spaziale), fornendo una guida per la selezione della dimensione dello sciame necessaria per raggiungere una precisione desiderata.

4. Risultati Principali

• Teorema di Stabilità: È stato provato che i flussi gradiente perturbati sono dISS se il funzionale sottostante soddisfa condizioni di crescita quadratica e dominanza del gradiente, e il campo di disturbo è limitato in norma $L^2(\rho)$.
• Confronto $L^2$ vs $W_2$: L'analisi mostra che l'approccio basato su $L^2$ è troppo conservativo e geometricamente inaccurato per le distribuzioni di probabilità. La metrica $W_2$ permette di distinguere correttamente stati che, pur avendo la stessa densità media, hanno distribuzioni spaziali molto diverse.
• Simulazioni: Gli esempi numerici (algoritmo KDE-Sinkhorn) confermano che:
  • La distanza dallo stato target aumenta con l'intensità del disturbo.
  • La distanza dallo stato target diminuisce all'aumentare del numero di agenti $N$, validando la teoria dell'errore di approssimazione.
  • Il sistema mantiene la stabilità anche in presenza di disturbi entropici (diffusione).

5. Significato e Impatto

Questo lavoro è significativo per diversi ambiti:

• Controllo di Sciami: Fornisce un framework teorico rigoroso per progettare sciami robotici che siano intrinsecamente robusti a guasti e disturbi, permettendo di quantificare quanto "grande" deve essere lo sciame per garantire una certa precisione.
• Apprendimento Automatico e Generativo: Poiché molti algoritmi moderni (es. Generative Adversarial Networks, flussi normalizzanti) operano in spazi di probabilità e utilizzano gradienti di Wasserstein, la dISS offre nuovi strumenti per analizzare la stabilità e la convergenza di questi algoritmi in presenza di rumore o approssimazioni numeriche.
• Teoria del Controllo: Estende la teoria classica della stabilità Input-to-State a spazi di misura infinitodimensionali con una geometria non banale, colmando il divario tra la dinamica delle singole particelle e la dinamica della distribuzione di massa (limite di campo medio).

In sintesi, il paper stabilisce che la geometria di Wasserstein non è solo uno strumento di ottimizzazione, ma un framework fondamentale per l'analisi di stabilità robusta di sistemi multi-agente su larga scala.