Optimality-Based Control Space Reduction for Infinite-Dimensional Control Spaces

技術要約：高次元制御空間における最適性に基づく制御空間の削減

問題設定
本論文は、時変放物型偏微分方程式（PDE）に支配される、制約のない線形二次最適制御問題（OCP）の数値解法について扱っている。これらの問題は、高次元または無限次元の状態空間（$V$）および制御空間（$U$）を伴うため、直接的な数値最適化は計算コストが極めて高くなる。標準的な手法は、ガラーキン射影を用いたモデル次数削減（MOR）であり、これによって状態空間を縮小する。しかし、従来のメソッドは制御空間を個別に扱うか、あるいは縮小された状態と最適制御の間の構造的な関係を十分に活用しないことが多く、その結果、不必要な近似誤差や計算オーバーヘッドが生じる可能性がある。

手法
著者らは、状態空間の削減と、最適性の第一階条件に基づいた誘導的な制御空間の削減を統合したフレームワークを提案している。

1. 誘導的制御削減： コアとなる理論的洞察は、線形二次OCPにおいて、状態方程式を縮小部分空間 $V_r \subset V$ 上に射影することは、縮小された制御部分空間 $U_r \subset U$ を暗黙的に定義するという点にある。具体的には、最適制御 $\bar{u}$ は、最適随伴状態 $\bar{p}$ との関係式 $\bar{u} = -\frac{1}{\beta} J_U^{-1} B' \bar{p}$ を通じて結びついている。もし縮小された随伴状態 $\bar{p}_r$ が $V_r$ 内に存在すれば、その結果として得られる最適制御 $\bar{u}_r$ は、自動的に $U_r = \text{span}\{J_U^{-1} B' v_i\}$（ここで $\{v_i\}$ は $V_r$ の基底）内に存在することになる。
2. 縮小問題の等価性： 著者らは、「状態削減型」OCP（制御は依然として全空間 $U$ で探索されるもの）と、「状態および制御の同時削減型」OCP（制御が $U_r$ に制限されるもの）が等価であることを証明している。前者の最小化解は自然に後者に属するため、最適化を $U_r$ に制限しても追加の近似誤差は導入されない。
3. 事後誤差推定： 著者らは、最適制御に関する、下限および上限の両方の事後誤差評価式を導出した。既存の多くの手法とは異なり、これらの評価式は、縮小モデルが最適条件を厳密に満たしている必要はなく、最適化ループ内の任意の反復値に対して適用可能である。これらの評価式は、フルオーダーモデル（FOM）の最適制御と、任意の制御候補との間の距離を定量化する。
4. 適応アルゴリズム： 解法としてオンライン適応アルゴリズム（Algorithm 1）を開発した。オフラインの学習フェーズを行う代わりに、このアルゴリズムは、現在の反復によって生成された状態および随伴変数のスナップショットに対して、固有直交分解（POD）を用いて、解のプロセス中に $V_r$ および $U_r$ を逐次的に構築する。アルゴリズムは、事後誤差推定値が指定された許容誤差を下回ったときに終了する。

主な貢献

• 理論的等価性： 本論文は、状態空間の削減のみによって誘導的な制御構造が得られることを確立し、状態削減型OCPと、状態・制御の同時削減型OCPの間の等価性を証明した。これにより、制御の離散化に伴う誤差を明示的に分析する必要がなくなる。
• 誤差評価： 最適制御誤差に関する厳密な事後誤差の上限および下限評価を提供している。これらの評価式は、最適解に限らず任意の制御に対しても適用可能であり、縮小モデルを毎ステップで機械精度まで解くことを必要とせずに、反復的な最適化スキームでの使用を容易にする。
• 収束性の証明： 提案された適応アルゴリズムの収束性が、可分ヒルベルト空間において証明されている。この証明は、縮小された次元が増加するにつれて、アルゴリズムが生成する反復列がFOMの解に収束することを実証している。
• 数値的効率性： 制御と状態の同時削減空間上でOCPを解くことが、状態削減のみの空間で解く場合と比較して、精度を損なうことなく大幅な計算加速を実現することを実証している。

結果
様々な正則化パラメータ（$\beta$）を用いた放物型PDE制約付きOCPによる数値実験により、理論的知見が検証された：

• 等価性の検証： 状態削減型OCPと同時削減型OCPを比較したところ、最適制御の差は無視できる程度（$10^{-9}$ から $10^{-16}$ のオーダー）であり、理論的な等価性が確認された。
• 加速： 制御と状態の同時削減アプローチ（Control-ROM）は、状態削減のみのアプローチ（ROM）と比較して、約9倍の高速化を達成した。
• FOMとの比較： フルオーダーモデル（FOM）と比較して、Control-ROM法は $\beta$ の値に応じて3.6倍から34.2倍の範囲の高速化を実現した。$\beta$ が減少する（すなわち、問題の条件が悪化する）につれて、縮小モデルの外部反復回数が少なくなるため、高速化の度合いは大きくなった。
• 誤差推定： 導出された事後誤差評価式はシャープであることが検証された。上限は真の誤差を密接に追跡し、下限は、時には保守的ではあるものの、有効な推定値を提供した。

意義と主張
著者らは、自身の手法が制御空間の「変分的な削減」を提供すると主張している。最適条件を利用することで、この手法は、制御の明示的な離散化に伴う典型的な近似誤差を回避している。この視点は、収束解析を簡素化し、誤差評価を向上させる。本論文は、この研究を、固定されたパラメータを持つOCPの単一解法に適した、認証された適応的MOR戦略として位置づけている。これは、オフライン学習のコストが高すぎるために、従来のオフライン・オンライン分解が効果的ではないケースにおいて重要である。結果は、制約のない線形二次問題において、暗黙的に誘導された制御部分空間に最適化を制限することは、理論的に妥当であるだけでなく、精度を損なうことなく大幅な加速を提供する、計算上優れた手法であることを示唆している。著者らは、現在のフレームワークは線形二次問題に焦点を当てているが、制御の線形性と二次コスト関数の性質から、十分な二次の最適条件の下であれば、非線形PDEへの適用可能性についても（未証明ではあるが）示唆されていると述べている。