Riepilogo Tecnico: Apprendimento del Dizionario Geometrico di Sistemi Dinamici con Trasporto Ottimale

1. Enunciato del Problema

L'apprendimento di sistemi dinamici (SD) dai dati si basa tipicamente su rappresentazioni di tipo operatoriale, come l'operatore di Koopman, dove le quantità spettrali (autovalori, sottospazi invarianti) codificano le scale temporali e il comportamento a lungo termine. Tuttavia, i metodi attuali presentano due limitazioni principali:

1. Stima Specifica per Istanza: Gli operatori dinamici sono tipicamente stimati in modo indipendente per ciascun sistema. Ciò impedisce la scoperta di pattern strutturali condivisi tra sistemi correlati, rendendo mal posti l'apprendimento per trasferimento e il confronto.
2. Scarsità di Dati e Geometria: Una stima accurata richiede solitamente traiettorie lunghe e informative. In contesti pratici con traiettorie brevi, parziali o metastabili, gli stimatori standard diventano statisticamente instabili. Inoltre, lo spazio degli operatori dinamici è non euclideo (spettrale e di tipo operatoriale), rendendo inapplicabili i metodi classici di apprendimento del dizionario lineare.

Gli approcci esistenti forniscono o rappresentazioni operatoriali espressive che rimangono specifiche per singole istanze, oppure abilitano un confronto fondato senza supportare l'apprendimento di una struttura condivisa. Manca un quadro unificato che catturi la struttura operatoriale condivisa abilitando al contempo operazioni geometriche e trasferimento.

2. Metodologia: DOODL

Gli autori propongono DOODL (Dynamical OperatOr Dictionary Learning), un quadro basato sull'ipotesi che sistemi dinamici correlati giacciano vicino a una varietà a bassa dimensionalità nello spazio degli operatori spettrali.

2.1 Geometria Spettrale e Trasporto Ottimale

DOODL opera sulle decomposizioni spettrali degli operatori. Per un operatore $G$ con decomposizione spettrale $G = \sum \lambda_i P_i$ (dove $\lambda_i$ sono autovalori e $P_i$ sono proiettori spettrali), il metodo rappresenta $G$ come una misura spettrale discreta $\mu(G)$.
Per confrontare gli operatori, DOODL utilizza la divergenza Trasporto Ottimale Grassmanniano Spettrale (SGOT). Questa metrica allinea congiuntamente autovalori e sottospazi invarianti (proiettori) tramite un piano di trasporto ottimale, definendo una geometria sullo spazio degli operatori che cattura sia le scale temporali dinamiche che le strutture coerenti.

2.2 Apprendimento del Dizionario su una Varietà Riemanniana

DOODL apprende un dizionario di $d$ dinamiche spettrali caratteristiche (atomi) $\mathcal{G} = \{G_1, \dots, G_d\}$.

• Struttura della Varietà: Lo spazio delle decomposizioni spettrali è caratterizzato come una varietà quoziente Riemanniana liscia $\mathcal{M} = \mathcal{N} / (\mathbb{C}^*)^r$, dove $\mathcal{N}$ è lo spazio degli autovalori e degli autovettori bi-ortogonali. Questa struttura tiene conto della non unicità degli autovettori sotto riscalamento.
• Modello di Ricostruzione: A differenza dell'apprendimento del dizionario classico che utilizza combinazioni lineari, DOODL impiega un modello di ricostruzione non lineare. Dati i coefficienti $\alpha$ nel simpleisso $\Delta^{d-1}$, la ricostruzione $B_p(\alpha; \mathcal{G})$ esegue una combinazione lineare delle componenti spettrali (autovalori, autovettori sinistri/destr) seguita da una proiezione sulla varietà delle decomposizioni spettrali per ripristinare il vincolo di bi-ortogonalità. Questo approccio bilancia l'efficienza computazionale con la fedeltà geometrica.
• Ottimizzazione: Il dizionario e i coefficienti sono appresi minimizzando la divergenza SGOT media tra gli operatori osservati e le loro ricostruzioni. L'ottimizzazione è eseguita tramite una strategia stocastica inexact a blocchi-coordinati utilizzando la discesa del gradiente Riemanniana sulla varietà.

2.3 Stima dell'Operatore Basata sul Dizionario

Una applicazione chiave di DOODL è la stima di operatori da traiettorie brevi. Invece di stimare un operatore illimitato ad alta dimensionalità, il metodo restringe lo spazio di ricerca alla varietà degli operatori appresa (l'immagine del modello di ricostruzione). Ciò agisce come regolarizzatore, riducendo la dimensionalità effettiva del problema di stima.

3. Garanzie Teoriche

Il documento fornisce garanzie statistiche per la stima degli operatori da traiettorie brevi (Teorema 1).

• Disuguaglianza dell'Oracolo: Il rischio eccessivo dello stimatore DOODL è limitato da un termine di bias (errore di approssimazione della varietà appresa) e un termine di varianza.
• Riduzione della Dimensionalità: La complessità del termine di varianza è governata dalla dimensione intrinseca $m$ della varietà degli operatori appresa piuttosto che dalla dimensione ambientale del dizionario $d$.
• Miscelamento: I limiti valgono per traiettorie $\beta$-miscelanti, con la dimensione del campione effettiva aggiustata per la dipendenza temporale.
• Decadimento del Bias: Il bias del dizionario svanisce asintoticamente all'aumentare della lunghezza delle traiettorie di addestramento, confermando che la varietà appresa converge alla struttura sottostante vera.

4. Risultati Sperimentali

Il quadro è stato valutato su due domini distinti:

4.1 Dinamica di Langevin Metastabile

• Configurazione: Un sistema di Langevin smorzato unidimensionale con un potenziale a due buche, dove varia la larghezza del potenziale $w$.
• Risultati:
  • Scoperta della Varietà: DOODL ha identificato con successo che la famiglia di sistemi giace su una varietà a bassa dimensionalità (circa 1D) nello spazio degli operatori. Gli atomi appresi si sono allineati in modo fluido con la variazione della larghezza del potenziale.
  • Prestazioni con Traiettorie Brevi: In regimi con traiettorie troncate (fino a 10k campioni), DOODL ha raggiunto errori SGOT da uno a due ordini di grandezza inferiori rispetto agli stimatori indipendenti di Regressione a Rango Ridotto (RRR) e alle linee di base di apprendimento del dizionario lineare.
  • Cambio di Regime: Il metodo ha permesso il rilevamento di bruschi cambi di regime tracciando l'evoluzione dei coefficienti di incorporamento su finestre scorrevoli, dimostrando discontinuità nette ai tempi di commutazione.

4.2 Dinamica del Plasma Turbolento

• Configurazione: Simulazioni ad alta dimensionalità della turbolenza del plasma al bordo (Tokam2D) governate da parametri che controllano i gradienti di densità ($\kappa$) e l'accoppiamento di scambio ($g$).
• Pipeline: Il metodo ha utilizzato un modello fondazionale di PDE congelato (POSEIDON) per estrarre descrittori spaziali, seguito dall'apprendimento di coordinate temporali e dalla stima di rappresentazioni di generatori a rango finito.
• Risultati:
  • Organizzazione Geometrica: La geometria SGOT ha recuperato la struttura della varietà 2D dei regimi del plasma corrispondenti a $(g, \kappa)$ senza supervisione.
  • Recupero dei Parametri: La regressione dei parametri fisici dalle coordinate baricentriche apprese ha prodotto alti punteggi $R^2$ ($0.81$ per $g$, $0.97$ per $\kappa$).
  • Identificazione Precoce: Vincolare la stima alla varietà spettrale appresa ha permesso un recupero affidabile dell'operatore e l'identificazione dei parametri da prefissi di traiettorie brevi (fino a 3k passi temporali), superando significativamente la stima diretta illimitata. Il parametro $\kappa$ (firma spettrale dominante) è stato recuperato più velocemente di $g$ (firma spettrale distribuita).

5. Significato e Affermazioni

Il documento afferma che DOODL offre un quadro fondato per l'apprendimento di rappresentazioni trasferibili nei sistemi dinamici. Il suo significato principale risiede in:

1. Cattura della Struttura Condivisa: Si sposta oltre la stima specifica per istanza per apprendere un "dizionario" condiviso di dinamiche spettrali caratteristiche, abilitando il confronto e l'interpolazione di sistemi correlati.
2. Efficienza dei Dati: Vincolando la stima a una varietà spettrale appresa a bassa dimensionalità, DOODL abilita una stima rapida e interpretabile degli operatori da traiettorie brevi e parzialmente osservate dove i metodi classici falliscono.
3. Fedeltà Geometrica: Rispetta la geometria intrinseca non euclidea degli operatori dinamici attraverso l'ottimizzazione Riemanniana e il Trasporto Ottimale, evitando le insidie delle approssimazioni lineari naive nello spazio degli operatori.
4. Interpretabilità Fisica: Gli incorporamenti appresi corrispondono a parametri fisici e regimi dinamici, facilitando l'identificazione del sistema e il rilevamento di cambi di regime in ambienti complessi e multiscala come la turbolenza del plasma.

Gli autori riconoscono le limitazioni, notando che il problema di ottimizzazione è non convesso e che la varietà appresa è statica, non adattandosi online agli spostamenti di distribuzione. Si suggerisce un lavoro futuro per esplorare varianti continue e adattive.