Approximate Feedback Linearization for a Nonlinear Hyperbolic PDE Class -- Part II: Neural Operator

Sintesi Tecnica: Linearizzazione di Feedback Approssimata per una Classe di PDE Iperboliche Non Lineari — Parte II: Operatore Neurale

Problema
Questo articolo affronta l'intrattenibilità computazionale dell'implementazione della linearizzazione di feedback esatta per una classe di equazioni differenziali alle derivate parziali (PDE) iperboliche non lineari. Mentre la Parte I di questo lavoro ha stabilito che un troncamento di ordine finito del linearizzatore di feedback della serie di Volterra garantisce la stabilità in anello chiuso, il controller risultante rimane computazionalmente proibitivo per applicazioni in tempo reale. Nello specifico, la valutazione del controller troncato richiede:

1. La risoluzione di una "torre" di $N-1$ PDE dei kernel lineari specifici per la pianta su simplessi crescenti per generare i kernel di feedback.
2. L'esecuzione di integrali annidati $N$-volte su questi kernel precomputati per ogni aggiornamento del controllo.

Queste operazioni sono "specifiche per la pianta", il che significa che qualsiasi variazione nella non linearità $F$ della pianta necessita della risoluzione delle PDE dei kernel da zero. Questo articolo propone di sostituire il controller esplicito, computazionalmente pesante e troncato, con un surrogato operatore neurale appreso per eliminare la risoluzione online dei kernel e l'integrazione annidata, preservando al contempo le garanzie di stabilità.

Metodologia
La metodologia centrale consiste nell'apprendere una mappatura dai coefficienti di non linearità della pianta e dallo stato del sistema direttamente all'input di controllo al bordo, bypassando il passaggio intermedio della risoluzione delle PDE dei kernel.

1. Continuità Lipschitziana Congiunta: Gli autori stabiliscono innanzitutto che l'operatore di feedback di Volterra troncato, denotato con $U_N(f_N, u)$, è congiuntamente Lipschitz continuo rispetto sia ai coefficienti della pianta $f_N$ (i kernel di Volterra della non linearità) che allo stato $u$. Questo è un passo teorico critico, poiché assicura che l'operatore sia continuo su insiemi compatti, soddisfacendo i prerequisiti per l'approssimazione universale.
2. Surrogato Operatore Neurale: Sfruttando la proprietà Lipschitziana, l'articolo impiega un operatore neurale (specificamente un'architettura MIONet) per approssimare $U_N$. La rete viene addestrata su un dataset composto da coppie di coefficienti della pianta e stati mappati ai valori di controllo troncati esatti. Una volta addestrato, l'operatore neurale $\hat{U}_N$ agisce come un surrogato diretto, prendendo $(f_N, u)$ come input e restituendo il controllo $U(t)$ in un singolo passaggio in avanti (forward pass).
3. Analisi dell'Anello Chiuso: La stabilità del sistema in anello chiuso sotto questo feedback surrogato viene analizzata. Si dimostra che il residuo al bordo che guida l'equazione di trasporto target è composto da due componenti: l'errore di troncamento (dalla Parte I) e l'errore di approssimazione dell'operatore neurale ($\epsilon$).

Contributi Chiave
L'articolo apporta tre contributi teorici e pratici primari:

• Risultato di Continuità Lipschitziana: Dimostra che l'operatore di feedback di Volterra troncato è localmente Lipschitz su insiemi limitati di coefficienti della pianta e stati. Questo risultato funge da fondamento matematico per le successive garanzie di approssimazione.
• Esistenza del Surrogato Neurale: Stabilisce l'esistenza di un approssimatore operatore neurale $\hat{U}_N$ capace di raggiungere qualsiasi precisione prescritta nella norma sup su insiemi limitati di piante e stati, assorbendo efficacementmente la soluzione della PDE del kernel e l'integrazione annidata in un'unica mappatura appresa.
• Teorema di Stabilità Pratica: Dimostra che il sistema in anello chiuso sotto il feedback dell'operatore neurale mantiene le quattro proprietà di stabilità stabilite nella Parte I (invarianza verso l'avanti, stabilità pratica, attrattività in tempo finito e stime asintotiche di classe-$KL$). Fondamentalmente, l'inviluppo asintotico è mostrato essere della forma $\|u(\cdot, t)\|_\infty \leq \beta(\|u_0\|_\infty, t) + \gamma(\epsilon)$, dove la sfera residua scala linearmente con l'accuratezza di addestramento $\epsilon$.

Risultati
L'articolo valida il framework attraverso esperimenti numerici con ordine di troncamento $N=3$:

• Stabilizzazione: Il controller appreso stabilizza con successo piante iperboliche non lineari che sono instabili ad anello aperto.
• Robustezza: Il surrogato, addestrato su una specifica distribuzione di parametri della pianta, stabilizza piante non viste (diversi parametri di non linearità) e varie condizioni iniziali senza riaddestramento.
• Troncamento vs. Approssimazione: I risultati dimostrano che, sebbene l'operatore neurale introduca un errore di approssimazione $\epsilon$ (risultando in un pavimento residuo di $\sim 10^{-3}$), esso mantiene la stabilità anche in regimi in cui i troncamenti di ordine inferiore (ad esempio, $N=2$) falliscono a causa di grandi coefficienti di non linearità.
• Efficienza Computazionale: Il risultato pratico più significativo è l'accelerazione computazionale. L'implementazione classica del controller $N=3$ richiede la risoluzione delle PDE dei kernel e degli integrali annidati, impiegando circa 3,95 secondi per valutazione. L'operatore neurale addestrato valuta lo stesso legge di controllo in circa 1 millisecondo, fornendo un fattore di accelerazione di circa 4.000$\times$.

Significatività e Rivendicazioni
L'articolo si pone come la realizzazione pratica del framework teorico introdotto nella Parte I. Se la Parte I rendeva il controller "implementabile in linea di principio" tramite il troncamento della serie infinita, questo lavoro lo rende "implementabile in pratica, una volta per tutte per classe di pianta".

Gli autori affermano che, apprendendo direttamente l'operatore, il metodo elimina la necessità di risolvere online i kernel, che rappresenta il principale collo di bottiglia per il controllo in tempo reale di PDE non lineari. La significatività risiede nella prova rigorosa che questa approssimazione non sacrifica la stabilità; il sistema rimane praticamente stabile con un errore residuo che è esplicitamente limitato e linearmente proporzionale all'accuratezza di addestramento della rete neurale. Man mano che l'accuratezza di addestramento tende a zero, viene recuperato il comportamento del controller troncato esatto (e, in ultima analisi, l'esatto linearizzatore di Volterra infinito).