Data driven tensor product-based modeling and control of a damped Lotka-Volterra predator-prey process

Nel mondo dell'ingegneria, controllare una macchina o un sistema biologico spesso sembra come cercare di timonare una nave in una tempesta mentre la mappa continua a cambiare. Per guidare un sistema — che sia un braccio robotico, un reattore chimico o una popolazione di animali — gli ingegneri hanno bisogno di un modello matematico, un insieme di regole che preveda come il sistema reagirà a diversi input. Per le macchine semplici e prevedibili, queste regole sono fisse e facili da scrivere. Ma per i sistemi complessi e viventi, dove le cose cambiano in base al loro stato attuale, le regole sono fluide. La sfida è stata a lungo capire come creare una mappa affidabile per questi paesaggi mutevoli usando solo i dati che possiamo misurare, senza dover conoscere ogni dettaglio nascosto del funzionamento interno del sistema. Se riusciamo a costruire una mappa sufficientemente buona basandoci solo sull'osservazione, possiamo poi progettare un controllore che spinga delicatamente il sistema verso un percorso desiderato, mantenendolo stabile anche quando tenta di vagare via.

Questo è il nucleo del puzzle affrontato da Árpád Varga, un ricercatore dell'Università di Óbuda in Ungheria, che si è proposto di testare un nuovo modo di modellare e controllare uno scenario biologico classico: la relazione predatore-preda. Il sistema specifico studiato è una versione smorzata del modello di Lotka-Volterra, una famosa descrizione matematica di come le popolazioni di predatori e prede aumentino e diminuiscano insieme. In natura, se ci sono troppi predatori, essi mangiano troppe prede, causando il crollo della popolazione di prede, il che porta infine alla fame dei predatori e alla diminuzione del loro numero, permettendo alle prede di riprendersi. Questo ciclo può essere caotico, ma in questo studio, il sistema era "smorzato", il che significa che naturalmente si assesta nel tempo invece di oscillare per sempre. L'obiettivo del ricercatore era vedere se fosse in grado di prendere misurazioni di queste popolazioni, costruire un modello semplificato del loro comportamento utilizzando una specifica tecnica matematica chiamata modellazione del prodotto tensoriale, e poi usare quel modello per costringere le popolazioni a rimanere a un livello specifico e desiderato, addomesticando efficacementamente le selvagge oscillazioni della natura.

Per farlo, Varga ha dovuto prima capire come descrivere il sistema senza conoscere le esatte costanti biologiche che lo governano. Invece di indovinare le regole, ha trattato il sistema come una scatola nera che poteva osservare. Misurando il numero attuale di prede e predatori, e misurando anche la velocità con cui quei numeri cambiavano in ogni momento, poteva calcolare un'istantanea del comportamento del sistema. Ha utilizzato un trucco matematico, noto come operazione di pseudo-inversa, per l'ingegneria inversa della relazione tra lo stato attuale e la variazione dello stato. Ciò gli ha fornito un'immagine approssimativa e istantanea della logica interna del sistema. Tuttavia, questi dati grezzi erano disordinati e difficili da usare per il controllo. Per renderli utili, ha adattato delle curve polinomiali lisce ai punti dati, essenzialmente disegnando una superficie continua attraverso le misurazioni sparse per rappresentare come il sistema si comporta attraverso diversi livelli di popolazione.

Il ricercatore ha poi testato un metodo più avanzato per rappresentare questi stessi dati: la modellazione del prodotto tensoriale. Immaginate i dati come una forma complessa e multidimensionale. Invece di descrivere questa forma con un'unica, massiccia equazione che richiede la memorizzazione di migliaia di numeri, la modellazione del prodotto tensoriale scompone la forma in una griglia di blocchi costruttivi più piccoli e semplici. Calcola il comportamento del sistema osservando come questi blocchi si combinano in base ai numeri della popolazione attuale. L'idea è che questo approccio possa essere più efficiente, specialmente per sistemi molto complessi con molte variabili, perché può catturare il comportamento essenziale con meno numeri memorizzati rispetto a un'equazione polinomiale tradizionale. In questo studio, il ricercatore ha confrontato l'adattamento polinomiale tradizionale con questo nuovo approccio del prodotto tensoriale per vedere quale creasse una mappa migliore per il controllore da utilizzare.

I risultati delle simulazioni al computer hanno mostato che entrambi i metodi funzionavano bene all'interno dell'intervallo dei dati che avevano visto. I modelli potevano prevedere accuratamente come il sistema si sarebbe comportato, permettendo a un algoritmo di controllo, basato su un principio chiamato controllo della coppia computata, di guidare le popolazioni verso un numero target. Questo metodo di controllo funziona calcolando costantemente la differenza tra dove si trova il sistema e dove dovrebbe essere, applicando poi una forza correttiva per colmare tale divario. Nelle simulazioni, sia il modello polinomiale che il modello del prodotto tensoriale hanno mantenuto con successo le popolazioni di predatori e prede stabili ai livelli desiderati, con errori molto piccoli. Il modello del prodotto tensoriale ha mostrato un leggero svantaggio in questo caso specifico e semplice: poiché il sistema aveva solo due variabili (predatori e prede), il metodo tensoriale richiedeva effettivamente la memorizzazione di più numeri rispetto al metodo polinomiale. I ricercatori hanno notato che il vantaggio dell'approccio tensoriale è probabile che appaia solo in sistemi molto più complessi con molte più variabili, dove il metodo tradizionale diventerebbe troppo pesante e lento da usare.

Per dimostrare che non si trattava solo di una fantasia informatica, Varga ha costruito una versione fisica dell'esperimento utilizzando un computer analogico, un dispositivo che utilizza circuiti elettrici per simulare relazioni matematiche in tempo reale. Ha collegato questo hardware a un moderno controllore industriale, creando un sistema ibrido in cui il circuito fisico rappresentava la dinamica predatore-preda e il controllore digitale applicava le correzioni. La configurazione includeva segnali di tensione che rappresentavano le popolazioni, con tensioni positive che aggiungevano alla popolazione e tensioni negative che rappresentavano la caccia o la rimozione. Il controllore utilizzava il modello del prodotto tensoriale, caricato nella sua memoria, per calcolare le necessarie regolazioni. Quando il sistema veniva lasciato solo, le popolazioni oscillavano come previsto. Ma quando il controllore veniva acceso, guidava con successo le popolazioni dai loro punti di partenza caotici verso i valori stabili e specifici scelti dal ricercatore.

L'esperimento fisico ha confermato che l'approccio basato sui dati funziona nel mondo reale, non solo in teoria. Il controllore è riuscito a stabilizzare le popolazioni, sebbene il tracciamento fosse leggermente meno perfetto rispetto alle simulazioni al computer, il che è tipico quando si passa da un ambiente digitale pulito a uno fisico con rumore elettrico e limitazioni hardware. I ricercatori hanno scoperto che il sistema poteva gestire diversi valori target, spostando le popolazioni verso nuovi stati stabili in modo fluido. Hanno anche dimostrato che il controllore poteva adattarsi a target variabili in tempo reale, una capacità cruciale per le applicazioni pratiche. Lo studio ha concluso che, sebbene il metodo del prodotto tensoriale non offrisse un vantaggio di memoria per questo semplice sistema a due variabili, la metodologia complessiva di costruire un modello direttamente dalle misurazioni e usarlo per il controllo è robusta ed efficace.

Il lavoro evidenzia un cambiamento nel modo in cui gli ingegneri potrebbero approcciare i sistemi complessi. Invece di passare anni cercando di derivare equazioni esatte per ogni interazione biologica o chimica, è possibile osservare il sistema, impararne il comportamento dai dati e costruire un modello funzionale al volo. Questo approccio è particolarmente potente per i sistemi in cui la fisica sottostante è troppo complicata per essere scritta perfettamente, ma dove il comportamento può essere misurato. Lo studio suggerisce che, per sistemi più semplici, i metodi tradizionali potrebbero essere ancora sufficienti, ma man mano che i sistemi crescono in complessità, la capacità di scomporre il comportamento in componenti gestibili e pesate potrebbe diventare essenziale. La ricerca è una prova di concetto che la modellazione basata sui dati può con successo domare i ritmi imprevedibili della natura, offrendo un nuovo strumento per gestire tutto, dalle popolazioni di fauna selvatica ai processi industriali.