Learning Stable Controlled Dynamical Systems via Input-Contraction Neural Differential Models

Sintesi Tecnica: Apprendimento di Sistemi Dinamici Controllati Stabili tramite Modelli Differenziali Neurali a Contrazione d'Input

Definizione del Problema
Il documento affronta un limite critico nell'identificazione dei sistemi basata sui dati: l'incapacità delle esistenti Equazioni Differenziali Ordinarie Neurali (Neural ODEs) di garantire la stabilità strutturale nel modellare sistemi non autonomi soggetti a input di controllo variabili nel tempo. Sebbene le Neural ODEs abbiano modellato con successo campi vettoriali autonomi, le loro estensioni ai sistemi controllati (ad esempio, Neural CDEs, ICODE) trattano spesso gli input esterni in modo euristico. Di conseguenza, questi modelli mancano di garanzie rigorose di stabilità in ciclo chiuso sotto sequenze di input generiche e non nulle. Questa carenza porta all'accumulo di errori, alla divergenza dello stato e a una estrema sensibilità alle perturbazioni esterne durante i rollout a lungo orizzonte, rendendoli inaffidabili per applicazioni critiche per la sicurezza nella robotica e nel controllo industriale.

Metodologia: Il Modello Differenziale Neurale a Contrazione d'Input (ICNDM)
Gli autori propongono l'Input-Contraction Neural Differential Model (ICNDM), un framework progettato per apprendere rappresentazioni in tempo continuo di sistemi dinamici controllati garantendo la convergenza esponenziale incrementale. La metodologia integra tre componenti fondamentali:

1. Architettura con Embedding dell'Input: A differenza degli approcci standard di concatenazione, l'ICNDM impiega un encoder di input neurale dedicato, $E_\phi(u)$, per mappare gli input di controllo grezzi in uno spazio latente. Ciò disaccoppia i segnali di controllo ad alta frequenza dall'accoppiamento algebrico diretto con il vettore di stato, stabilizzando le variazioni del gradiente durante l'integrazione di ODE rigide (stiff).
2. Ottimizzazione Congiunta della Metrica Neurale: Il framework apprende simultaneamente il campo vettoriale neurale non autonomo, $f_\theta(x, E_\phi(u))$, e una metrica di contrazione riemanniana generalizzata, $M_\omega(x)$. Per garantire che la metrica rimanga uniformemente definita positiva, gli autori impongono un vincolo strutturale utilizzando una decomposizione di Cholesky localizzata ($M_\omega(x) = L_\omega(x)L_\omega(x)^T + \epsilon I$).
3. Funzione Obiettivo Regolarizzata: L'obiettivo di addestramento combina una perdita di predizione della traiettoria standard con due regolarizzatori strutturali:
   • Una penalità di barriera spettrale morbida ($L_c$) che impone la condizione di contrazione $\Psi(x, u) \preceq -\beta M_\omega(x)$, dove $\Psi$ è la matrice di contrazione non autonoma generalizzata che coinvolge il Jacobiano dello stato e la derivata temporale della metrica.
   • Un regolarizzatore della norma di Frobenius ($L_u$) sul Jacobiano dell'input per limitare la sensibilità del campo vettoriale alle variazioni di input ad alta frequenza.

Contributi Teorici
Il documento fornisce garanzie teoriche formali per l'architettura proposta:

• Convergenza Esponenziale Incrementale: Sotto l'assunto che la perdita di contrazione spettrale sia minimizzata, gli autori dimostrano che due traiettorie guidate dalla stessa sequenza di input convergono esponenzialmente, con il limite dell'errore che decade come $e^{-\beta t/2}$.
• Contrazione Input-Stato (ISC): Gli autori derivano condizioni sufficienti per la contrazione input-stato sotto disturbi esterni limitati. Stabiliscono che l'errore di inseguimento tra traiettorie guidate da input differenti è globalmente limitato da un termine dipendente dalla differenza di input e dalla costante di Lipschitz del sistema, garantendo robustezza contro le perturbazioni di input.

Risultati Sperimentali
Le prestazioni di ICNDM sono state valutate rispetto a cinque baseline allo stato dell'arte (Standard Neural ODE, Controlled Neural ODE, ICODE, ControlSynth e Differential Neural Networks) in due domini:

1. Benchmark Caotici Non Lineari: Test su oscillatori di Duffing e Van der Pol guidati da input sinusoidali multifrequenza hanno dimostrato che ICNDM supera significativamente le baseline nelle predizioni a lungo orizzonte. Mentre i modelli standard hanno mostrato un accumulo sostanziale di errore (ad esempio, l'MSE che sale a $1.89 \times 10^{-1}$ per lo Standard NODE sull'oscillatore di Duffing su 200 step), ICNDM ha mantenuto limiti stabili (MSE di $1.02 \times 10^{-3}$).
2. Sistema di Azionamento PMSM Fisico: La validazione su un dataset di un motore sincrono a magneti permanenti (PMSM) ha confermato l'utilità pratica del modello. In rollout di 500 step della corrente dell'asse in quadratura, i modelli non vincolati hanno deviato significativamente dal valore reale, mentre ICNDM ha seguito accuratamente la dinamica reale.
3. Robustezza al Rumore: Gli esperimenti iniettando rumore Gaussiano nei canali di input hanno mostrato che ICNDM degrada con grazia all'aumentare dei livelli di rumore, mentre i modelli baseline hanno subito una rapida crescita dell'errore. Questo comportamento valida empiricamente le proprietà teoriche di Contrazione Input-Stato.

Significato e Rivendicazioni
Il documento sostiene di colmare il divario tra la modellazione consapevole dell'input e le proprietà di stabilità strutturale. Modellando esplicitamente le azioni di controllo variabili nel tempo e garantendo la contrazione input-stato attraverso l'ottimizzazione congiunta della metrica, l'ICNDM offre una soluzione all'instabilità inerente alle equazioni differenziali neurali non vincolate. Gli autori affermano che questo framework fornisce garanzie asintotiche rigorose per sistemi controllati altamente non lineari, una capacità precedentemente limitata alle formulazioni autonome o a quelle che assumono input costanti. Il lavoro posiziona l'ICNDM come uno strumento robusto per l'identificazione dei sistemi in ambienti dinamici, con una superiorità dimostrata nella riduzione della deriva a lungo orizzonte e nel potenziamento della resilienza alle perturbazioni di input.