Sintesi Tecnica: Apprendimento di Modelli a Ordine Ridotto Control-Affine tramite Autoencoder

Formulazione del Problema

Il documento affronta la sfida di identificare modelli a ordine ridotto (ROM) per sistemi dinamici non lineari ad alta dimensionalità governati da equazioni alle derivate parziali (PDE) o simulazioni complesse. I metodi tradizionali basati sulla proiezione (ad es., POD-Galerkin) richiedono la conoscenza esplicita delle equazioni governanti, che spesso non è disponibile in scenari basati esclusivamente sui dati. Sebbene gli approcci di deep learning che utilizzano autoencoder (AE) abbiano avuto successo nell'identificare varietà latenti a bassa dimensionalità, la dinamica latente risultante è spesso priva di struttura, complessa o puramente lineare.

Una limitazione specifica sorge quando questi modelli sono destinati ad applicazioni di controllo. Una dinamica latente puramente lineare può non essere in grado di catturare comportamenti non lineari complessi, mentre le dinamiche latenti non lineari generiche spesso mancano delle proprietà strutturali necessarie per un design del controllo efficiente (ad es., la linearizzazione per feedback). Gli autori identificano una lacuna nei ROM esistenti basati sui dati: la mancanza di un framework che imponga una struttura control-affine sulle dinamiche latenti, il quale bilanci la capacità di modellazione non lineare con la trattabilità analitica richiesta per il controllo.

Metodologia

1. Dinamica Latente Control-Affine

Il contributo principale è un framework che apprende una rappresentazione latente $z_k \in \mathbb{R}^r$ dove le dinamiche seguono una struttura control-affine a tempo discreto:
$$z_{k+1} = a_{\phi_1}(z_k) + B_{\phi_2}(z_k) \cdot u_k$$
Qui, $a_{\phi_1}$ è una rete di "drift" che rappresenta la dinamica autonoma, e $B_{\phi_2}$ è una rete di "input" che interagisce con l'input di controllo $u_k$ in modo affine. Questa struttura è stata scelta perché si allinea con molti sistemi fisici (ad es., robotica, reattori chimici) e consente l'applicazione della linearizzazione per feedback.

2. Strategia di Addestramento Congiunto

A differenza degli approcci standard che scindono l'addestramento dell'autoencoder dall'apprendimento della dinamica, questo metodo impiega una strategia di addestramento simultaneo: l'encoder ($E_\theta$), il decoder ($D_\phi$) e il modello di dinamica latente ($G_\phi$) sono ottimizzati insieme utilizzando una funzione di perdita multi-obiettivo:
$$L = \gamma_1 L_{AE} + \gamma_2 L_{lat-cons} + \gamma_3 L_{dyn}$$

• $L_{AE}$: Errore di ricostruzione dello stato ad alta dimensionalità.
• $L_{lat-cons}$: Perdita di consistenza che assicura che le dinamiche latenti predicano accuratamente i futuri stati codificati ($E_\theta(x_{k+l})$). Questo termine è cruciale per garantire che la dinamica dello spazio latente sia coerente con la verità fondamentale (ground truth), impedendo al decoder di compensare per una scarsa dinamica latente.
• $L_{dyn}$: Errore end-to-end nello spazio ad alta dimensionalità.

Il framework supporta anche autoencoder di input per comprimere input di controllo ad alta dimensionalità (ad es., campi di confine distribuiti) in un vettore di input latente $u'_k$, permettendo alla struttura control-affine di gestire l'attuazione ad alta dimensionalità.

3. Formulazione Basata su Sequenze

Per migliorare l'accuratezza della predizione senza sacrificare la struttura control-affine, gli autori estendono il modello per operare su sequenze. Viene costruito un vettore di stato esteso $\xi_k$ che contiene le storie dei latenti e degli input. La dinamica viene quindi modellata come:
$$\xi_{k+1} = \alpha(\xi_k) + \beta(\xi_k) \cdot u_k$$
dove $\alpha$ include un operatore di shift lineare per la memoria e un termine di drift non lineare, e $\beta$ applica l'input di controllo. Questa formulazione permette al modello di catturare effetti di ritardo temporale e dipendenza dalla storia, mantenendo al contempo la proprietà control-affine.

4. Linearizzazione per Feedback

Il documento fornisce linee guida per applicare la linearizzazione per feedback al ROM appreso.

• Linearizzazione dello Stato Completo: Per il modello standard, se la matrice di input $B_{\phi_2}(z_k)$ ha rango pieno per righe ($r \leq m$), una legge di feedback può essere derivata per trasformare le dinamiche non lineari in un sistema lineare $z_{k+1} = \bar{A}z_k + \bar{B}v_k$.
• Linearizzazione Input-Output: Per il modello basato su sequenze, la linearizzazione dello stato completo è strutturalmente impossibile a causa del buffer di memoria. Tuttavia, gli autori dimostrano che la linearizzazione input-output esatta è ottenibile trattando lo stato latente corrente come l'output, a condizione che la matrice di input del sistema esteso abbia rango pieno. Ciò consente l'uso di controllori lineari standard (ad es., PID, LQR) nello spazio latente.

Contributi Chiave

1. Framework ROM Control-Affine: Un nuovo metodo basato sui dati che impone una struttura control-affine sulle dinamiche latenti, colmando il divario tra modellazione non lineare espressiva e trattabilità della teoria del controllo.
2. Ottimizzazione Congiunta: Una strategia di addestramento che apprende simultaneamente la trasformazione di coordinate (AE) e la dinamica strutturata, garantendo che lo spazio latente sia compatibile con l'assunzione control-affine.
3. Estensione Basata su Sequenze: Un adattamento del modello control-affine per gestire le storie di stato e di input, migliorando l'accuratezza della predizione pur preservando la struttura affine.
4. Garanzie Teoriche per il Controllo: Proposizioni formali che stabiliscono le condizioni sotto le quali i ROM appresi possono essere esattamente linearizzati tramite feedback, consentendo l'uso di tecniche di controllo lineare su modelli a ordine ridotto non lineari.
5. Implementazione Open-Source: Gli autori rilasciano DeepE2EROM, un pacchetto Python che implementa il framework di addestramento end-to-end.

Risultati Sperimentali

Il framework è stato valutato su due esempi numerici:

1. Equazione del Calore Unidimensionale

• Configurazione: Un problema di controllo distribuito dove lo stato è un campo di temperatura e l'input è una sorgente di calore distribuita spazialmente. Sia lo stato che l'input erano ad alta dimensionalità.
• Prestazioni: Il ROM control-affine ha superato significativamente un baseline ROM con dinamiche latenti lineari. Ha ottenuto una riduzione di due volte dell'RMSE end-to-end e un miglioramento più marcato nell'accuratezza della dinamica latente.
• Controllo: Il modello è stato utilizzato con successo per seguire una traiettoria di temperatura di riferimento utilizzando la linearizzazione per feedback combinata con un controllore PID. Il controllore ha generato con successo i necessari input di calore distribuiti per guidare il sistema.

2. Boxed Ball (Simulazione 2D)

• Configurazione: Una pallina che si muove in una scatola unitaria con forti forze repulsive non lineari vicino ai bordi, osservata tramite fotogrammi di telecamera 64x64.
• Prestazioni: Il ROM control-affine ha superato il baseline lineare sia in contesti forzati (attuati) che autonomi. Nel caso forzato, ha ottenuto circa la metà dell'RMSE end-to-end e un terzo dell'errore latente rispetto al baseline.
• Dinamiche Autonome: Anche senza addestramento esplicito su traiettorie autonome, il modello ha identificato accuratamente il punto di equilibrio del sistema.
• Controllo: Il modello ha permesso il tracking di una traiettoria circolare utilizzando un controllore proporzionale sulle dinamiche latenti linearizzate.

Significato e Rivendicazioni

Il documento sostiene che imporre una struttura control-affine sulle dinamiche latenti offra un "potente compromesso". Essa mantiene la capacità di una modellazione non lineare accurata pur consentendo l'uso di tecniche di controllo lineare ben consolidate (tramite linearizzazione per feedback) dopo una suite trasformazione di coordinate.

Gli autori sottolineano che, sebbene le dinamiche latenti lineari siano popolari (spesso legate alla teoria dell'operatore di Koopman), esse potrebbero essere insufficienti per sistemi non lineari complessi. Al contrario, i modelli latenti non lineari generici spesso mancano di interpretabilità e trattabilità del controllo. L'approccio control-affine proposto affronta queste limitazioni allineandosi naturalmente con una vasta classe di sistemi ingegneristici dove le dinamiche sono non lineari nello stato ma affini nell'input di controllo.

Il lavoro è di portata modesta, osservando che la linearizzazione per feedback dello stato completo richiede che la dimensione latente sia minore o uguale al numero di input ($r \leq m$), il che può essere restrittivo per sistemi con pochi attuatori. In tali casi, gli autori riconoscono che è possibile solo una linearizzazione parziale per feedback. Il lavoro futuro suggerito mira ad affrontare questo punto attraverso la decomposizione dello spazio latente in sottospazi controllabili e non attuati.

Il documento conclude che il framework proposto, validato su sistemi basati su PDE e su immagini, fornisce una base robusta per progettare controllori per sistemi non lineari ad alta dimensionalità direttamente dai dati.