Identifying the nonlinear string dynamics with port-Hamiltonian neural networks

Riepilogo Tecnico: Identificazione delle Dinamiche Non Lineari delle Corde con Reti Neurali Port-Hamiltoniane

Enunciato del Problema
Il documento affronta la sfida di identificare e apprendere le dinamiche di sistemi a parametri distribuiti, specificamente corde di chitarra non lineari, partendo dai dati. Sebbene le Reti Neurali Port-Hamiltoniane (PHNN) abbiano dimostrato successo nell'identificare sistemi di Equazioni Differenziali Ordinarie (ODE) Hamiltoniane, la loro applicazione a sistemi di Equazioni Differenziali alle Derivate Parziali (PDE) Hamiltoniane rimane largamente inesplorata. Questo divario limita l'applicazione delle PHNN nell'acustica musicale, dove gli strumenti sono governati da PDE e non da ODE. I metodi esistenti per sistemi audio distribuiti spesso si basano su operatori neurali, teoria di Koopman o elaborazione del segnale differenziabile, ma mancano della coerenza fisica esplicita e dell'interpretabilità offerte dai Sistemi Port-Hamiltoniani (PHS). Gli autori mirano a colmare questo divario estendendo le PHNN alle PDE per recuperare sia l'Hamiltoniana governante che i meccanismi di dissipazione di una corda non lineare pizzicata.

Metodologia
L'approccio proposto, denominato StringPHNN, integra la conoscenza fisica con l'apprendimento guidato dai dati attraverso un'architettura di rete neurale strutturata basata sulla formulazione Port-Hamiltoniana.

1. Formulazione Fisica: Gli autori modellano lo spostamento trasversale di una corda in condizioni geometricamente non lineari utilizzando una PDE non lineare del secondo ordine. Questo modello continuo viene convertito in una forma Port-Hamiltoniana semi-discreta mediante differenze finite che preservano la struttura. Le variabili di stato sono definite come spostamento ($q$) e momento ($p$) su una griglia spaziale. Le dinamiche del sistema sono espresse come un sistema di ODE del primo ordine che coinvolge una matrice di struttura ($J$), una matrice di dissipazione ($R$) e un'Hamiltoniana ($H$).
2. Architettura Neurale:
   • Parametrizzazione dell'Hamiltoniana: L'Hamiltoniana totale è suddivisa in una parte quadratica nota (che rappresenta l'energia cinetica, la tensione e la rigidità) e una parte non quadratica apprendibile ($H_{\theta}^{nl}$) che rappresenta la non linearità geometrica.
   • Approssimazione Convoluzionale: Per approssimare le derivate spaziali richieste per il termine di energia non quadratica, gli autori sfruttano la connessione tra schemi di differenze finite e Reti Neurali Convoluzionali (CNN). La rete $H_{\theta}^{nl}(q)$ utilizza un livello convoluzionale con una dimensione del kernel di due (imitando una differenza finita all'indietro) seguito da un Perceptron Multistrato (MLP) applicato identicamente a ciascun nodo spaziale. Questa struttura garantisce che la rete rispetti la discretizzazione spaziale e le ipotesi di omogeneità della fisica sottostante.
   • Parametri Apprendibili: Oltre ai pesi della rete neurale, parametri fisici come densità ($\rho$), raggio ($R$), tensione ($T$), modulo di Young ($E$) e coefficienti di dissipazione ($\eta_0, \eta_1$) sono trattati come parametri apprendibili positivi.
3. Discretizzazione Temporale e Addestramento: Il processo di addestramento impiega un metodo modificato della Variabile Ausiliaria Scalare (SAV) combinato con un controllo di rifiuto della deriva per garantire un solver esplicito che preservi la passività. Il modello è addestrato su dati sintetici generati da una simulazione di riferimento di una corda non lineare. La funzione di perdita minimizza l'Errore Quadratico Medio (MSE) relativo tra le traiettorie previste e quelle di riferimento, con la retropropagazione eseguita attraverso le operazioni interne del solver numerico.

Contributi Chiave

• Estensione delle PHNN alle PDE: Il lavoro dimostra la prima applicazione delle Reti Neurali Port-Hamiltoniane per identificare sistemi a parametri distribuiti (PDE) nel contesto dell'acustica musicale.
• Progettazione Strutturata della Rete: Gli autori propongono un'architettura di rete specifica che combina livelli convoluzionali (per le derivate spaziali) e MLP per approssimare la densità Hamiltoniana non quadratica, garantendo coerenza fisica sia nelle fasi di addestramento che di inferenza.
• Identificazione Congiunta: Il framework recupera con successo sia l'Hamiltoniana governante (inclusa la densità di energia non lineare) che la matrice di dissipazione dai dati, piuttosto che prevedere semplicemente la traiettoria di output.
• Integrazione Efficiente del Solver: L'integrazione del metodo SAV modificato consente un passo temporale esplicito ed efficiente che preserva la passività, facilitando un addestramento e un'inferenza stabili.

Risultati
Sono stati condotti esperimenti numerici utilizzando dati sintetici generati da un modello di corda non lineare con 202 nodi spaziali e una frequenza di campionamento di 88,2 kHz. Il StringPHNN è stato confrontato con una baseline MLP black-box che approssima direttamente il flusso discreto.

• Accuratezza: Il StringPHNN ha superato significativamente la baseline. Mentre la baseline presentava errori dell'ordine di $10^0$ fino a $10^1$, il StringPHNN ha raggiunto errori intorno a $10^{-4}$, rappresentando un miglioramento di diversi ordini di grandezza.
• Identificazione dei Parametri: Il modello ha identificato con alta accuratezza i principali parametri fisici, inclusa la densità lineare di massa ($\mu$), la tensione ($T$) e i coefficienti di smorzamento ($\eta_0, \eta_1$). Tuttavia, il modello ha faticato a identificare univocamente parametri individuali come densità ($\rho$), raggio ($R$) e modulo di Young ($E$) quando apparivano in forme accoppiate (ad esempio, $\mu = \rho \pi R^2$). Gli autori osservano che questa mancanza di unicità suggerisce la necessità di un ridimensionamento per la non dimensionalizzazione nei lavori futuri.
• Dinamiche e Contenuto Spettrale: Il modello ha catturato con precisione i modelli di propagazione dell'onda spazio-temporale e l'evoluzione dell'ampiezza. I confronti degli spettrogrammi hanno mostrato che le traiettorie di momento previste corrispondevano ai dati di riferimento sia nel dominio del tempo che in quello della frequenza, con distribuzioni di errore rimaste al di sotto di $10^{-6}$.

Significato e Affermazioni
Il documento afferma che il framework StringPHNN proposto offre prestazioni superiori sia in termini di accuratezza che di interpretabilità rispetto ai metodi di baseline non informati dalla fisica. Recuperando non solo la traiettoria del sistema ma anche i suoi componenti fisici sottostanti (Hamiltoniana e dissipazione), l'approccio fornisce una comprensione più profonda delle dinamiche del sistema. Gli autori posizionano questo lavoro come un passo verso l'applicazione del machine learning ibrido a sistemi distribuiti complessi nell'acustica musicale. Concludono con modestia che, sebbene il metodo sia efficace su dati sintetici, le direzioni di ricerca future includono l'identificazione delle dinamiche da osservazioni parziali e registrazioni audio reali. Il lavoro non afferma di risolvere tutti i problemi di identificazione, ma stabilisce un framework fisicamente coerente per l'apprendimento delle dinamiche non lineari delle corde.