⚡ electrical engineering

Koopman-based Estimation of Lyapunov Functions: Theory on a Reproducing Kernel Hilbert Space

本論文は、原点が漸近安定な場合の安定性スペクトル特性を踏まえ、再生核ヒルベルト空間上の演算子代数リャプノフ方程式を用いて減衰率を指定したリャプノフ関数を推定する手法を提案し、統計学習理論に基づく誤差評価と数値検証を行うことで、データ駆動型の安定性解析と制御理論の構築に寄与するものである。

原著者： Wentao Tang, Xiuzhen Ye

公開日 2026-03-03

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Wentao Tang, Xiuzhen Ye

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

1. 問題：カオスな世界をどう捉えるか？

世の中の多くの現象は「非線形」です。これは、**「少しのきっかけが、予想外の大きな結果を生む」**ような世界です。
例えば、風船を膨らませる時、最初はゆっくりですが、ある瞬間に急に破裂するかもしれません。従来の数学では、こうした複雑な動きを「線形（直線的）」なルールで説明するのは非常に難しく、モデルを作るのも大変でした。

そこで登場するのが**「クープマン演算子（Koopman Operator）」というアイデアです。
これは、「複雑なカオスを、高次元の『魔法の鏡』に映し出すことで、実は単純な直線的な動きとして見ることができる」**という考え方です。

比喩： ねじれたロープ（非線形システム）を、特殊なレンズ（クープマン演算子）を通して見ると、実はまっすぐな糸（線形システム）に見えてくる、という感じです。

2. 課題：鏡の性質と「安定性」の謎

この「魔法の鏡」を使えば、複雑なシステムをデータから学習して制御できます。しかし、大きな問題がありました。
**「この鏡に映った世界が、本当に『安定（暴走しない）』なのかどうか、判断するのが難しかった」**のです。

従来の問題点：
鏡の性質（スペクトル）が、システムの安定性と直結しないことが多く、理論的に「安定だ」と証明するのが難しかったのです。まるで、**「天気予報の画面が青いからといって、本当に晴れているとは限らない」**ような状況でした。

3. 解決策：新しい「鏡」の設計

この論文の著者たちは、**「安定なシステムを映すための、特別な鏡（カーネル）」**を設計しました。

工夫： 単なる丸い鏡（従来のカーネル）ではなく、**「中心（原点）に特化した、線形と円形を組み合わせた鏡」**を使いました。
結果： この新しい鏡を使えば、システムが安定している時、鏡に映った世界（スペクトル）は必ず**「単位円（半径 1 の円）」の中**に収まることが理論的に証明されました。
- 比喩： 「もし、この鏡に映った影が円の枠の中に収まっていれば、そのシステムは絶対に暴走しない（安定している）」と、一目でわかるようになったのです。

4. 応用：「Lyapunov 関数」という安全装置

システムが安定していることを示すための、最も強力なツールが**「Lyapunov（リアプノフ）関数」**です。

役割： これは**「システムのエネルギー」**のようなものです。時間が経つにつれてこのエネルギーが減り続ければ、システムは必ず止まります（安定します）。
この論文の貢献：
1. 新しい計算式： クープマン演算子を使って、この「エネルギー（Lyapunov 関数）」を計算する新しい方程式（演算子代数リャプノフ方程式）を提案しました。
2. データからの学習： モデルがなくても、過去のデータ（観測値）から、この「エネルギー」を推定するアルゴリズムを作りました。
3. 誤差の保証： データから推定した値が、どれだけ本物に近いのか、その誤差の範囲を数学的に保証しました。

5. 実証実験：数式ではなく、データで証明

著者たちは、実際の数値実験を行いました。

実験： 複雑な化学反応のようなシステム（リエナール方程式）をシミュレーションし、データだけを元に「安定かどうか」を判断しました。
結果： 提案した方法で計算した「エネルギー（Lyapunov 関数）」は、シミュレーションで得られた真の値と非常に良く一致しました。
- 比喩： 「地図（モデル）がない状態で、ただ歩いた足跡（データ）だけを見て、『ここから先は崖だ（不安定）』と正確に警告できる地図を描き上げた」ようなものです。

まとめ：この研究がなぜ重要なのか？

この論文は、**「複雑な非線形システムを、データから安全に制御するための『理論的な土台』」**を作りました。

今までの課題： データ駆動制御は「実用はできるが、理論的に『なぜ安全か』が証明しにくい」という弱点があった。
この論文の功績： 「安定なシステムは、特定の数学的な枠組み（RKHS）で捉えれば、必ず安定の条件を満たす」と証明し、その枠組みを使って**「安全な制御のための計算式」**を導き出した。

一言で言うと：
「複雑怪奇な世界の動きを、データから読み解き、『暴走しない』ことを数学的に保証しながら、安全に制御するための新しい『コンパス』を作りました」という研究です。これにより、自動運転やロボット制御など、安全性が求められる分野での応用がさらに進むことが期待されます。

論文概要：再生核ヒルベルト空間における Koopman 演算子に基づくリアプノフ関数の推定

1. 背景と問題提起

非線形システムの制御と安定性解析において、Koopman 演算子は非線形ダイナミクスを線形演算子として記述する強力な枠組みを提供します。特に、データ駆動型の手法（拡張ダイナミックモード分解：EDMD など）を用いて Koopman 演算子を学習する研究は進展しています。
しかし、以下の根本的な課題が存在します：

スペクトルと安定性の関係の不明確さ: 有限次元の線形システムでは、行列のスペクトル半径が 1 未満であれば原点は漸近安定ですが、Koopman 演算子（無限次元）の場合、関数空間や核関数の選択によってスペクトルが変化し、安定性とスペクトルの関係が自明ではありません。
普遍理論の欠如: 従来の手法では、Koopman 演算子を用いた安定性解析や制御設計の普遍的理论が確立されておらず、実用的な「芸術」に留まっている側面がありました。
リアプノフ関数の構築: 安定性を証明するためのリアプノフ関数を、Koopman 演算子のデータ駆動学習から体系的に構築する手法が不足していました。

2. 提案手法と理論的基盤

本研究は、再生核ヒルベルト空間（RKHS） 上で定義された Koopman 演算子を用い、与えられた減衰率関数に対応するリアプノフ関数を推定する枠組みを提案します。

線形 - 半径積核（Linear-Radial Product Kernel）の導入:
- 従来の半径対称核（RBF 核など）だけでは、平衡点（原点）の存在を考慮できず、安定性に関する情報が得られないことを指摘。
- 線形核（ $x \cdot x'$ ）と Wendland 型の半径核（ $\rho(|x-x'|)$ ）を組み合わせた**「線形 - 半径積核」**を定義。これにより、RKHS は原点付近で線形（または高次）の挙動を示しつつ、全域で滑らかさを保つ関数空間となります。
- この核を用いることで、原点が漸近安定な平衡点である場合、Koopman 演算子のスペクトル半径が複素平面上の単位円盤内（ $<1$ ）に収束することを理論的に保証します（先行研究 [22] の成果の活用）。
演算子代数リアプノフ方程式（Operator ALE）の定式化:
- リアプノフ関数 $v(x)$ と減衰率関数 $w(x)$ を、RKHS 上の正定値作用素 $P$ と $Q$ による「カーネル二次形式」として表現します：
  $v(x) = \langle \kappa(x, \cdot), P \kappa(x, \cdot) \rangle, \quad w(x) = \langle \kappa(x, \cdot), Q \kappa(x, \cdot) \rangle$
- 離散時間システムにおける減衰条件 $v(f(x)) - v(x) \leq -w(x)$ は、以下の演算子代数リアプノフ方程式（ALE） として定式化されます：
  $APA^* - P = -Q$
  ここで、 $A$ は Koopman 演算子、 $A^*$ はその随伴作用素です。
解の存在と一意性の証明:
- Koopman 演算子のスペクトル半径 $r(A) < 1$ かつ $Q$ がヒルベルト・シュミット（HS）作用素である場合、上記 ALE は一意に解を持ち、その解 $P$ は以下の収束級数で表されることを証明しました：
  $P = \sum_{t=0}^{\infty} A^t Q (A^*)^t$
- これにより、安定な非線形システムに対して、Koopman 演算子からリアプノフ関数が一意に構成可能であることが理論的に裏付けられました。

3. データ駆動推定と誤差解析

実際の応用では、Koopman 演算子 $A$ と減衰率作用素 $Q$ はデータから推定する必要があります。

kEDMD とカーネルリッジ回帰（KRR）:
- Koopman 演算子 $A$ の推定には、カーネル拡張ダイナミックモード分解（kEDMD） を使用します。
- 減衰率関数 $w$ （および作用素 $Q$ ）の推定には、カーネルリッジ回帰（KRR） を用いて、データから関数 $\omega_i$ を学習し、 $Q$ を近似します。
誤差境界の導出:
- 統計的学習理論に基づき、学習されたリアプノフ作用素 $\hat{P}$ と真の作用素 $P$ の間のヒルベルト・シュミットノルム誤差を評価しました。
- 誤差は、Koopman 演算子の学習誤差と $Q$ の近似誤差に比例して増加し、データ数 $n \to \infty$ の極限で 0 に収束することを示しました（定理 2）。

4. 数値実験結果

非多項式非線形システム（Liénard 方程式）を用いた数値実験により手法の有効性を検証しました。

設定: 連続時間システムを離散化し、ランダムにサンプリングされた 50 軌道からデータを生成。
結果:
- 学習された Koopman 演算子のスペクトルは単位円盤内に収まり、安定性を反映していました。
- 推定されたリアプノフ関数 $\hat{v}(x)$ は、シミュレーションで得られた真のリアプノフ関数の等高線形状を全体的に正確に捉えていました。
- 原点から遠く離れた領域では誤差が増大する傾向がありましたが、これはリアプノフ関数が累積的な減衰率であるためであり、非線形性の影響（線形近似との値の乖離）も明確に検出されました。

5. 主要な貢献と意義

理論的枠組みの確立: RKHS 上の Koopman 演算子と安定性の関係を明確にし、スペクトル半径が 1 未満であることが安定性と等価であることを示しました。
リアプノフ関数の体系的構築: 与えられた減衰率に対して、Koopman 演算子を用いて一意にリアプノフ関数を構成する「演算子 ALE」の解法を提案しました。
データ駆動推定の正当化: kEDMD と KRR を組み合わせた実用的な推定手法を提案し、その誤差がデータ量に応じて減少することを理論的に保証しました。
非線形制御への応用可能性: この研究は、Koopman 演算子に基づく非線形制御や観測器設計の理論的基盤を強化し、モデルフリーな安定性保証付き制御戦略の実現に向けた重要な一歩となります。

結論

本論文は、Koopman 演算子の理論を RKHS 上で定式化し、データ駆動型でリアプノフ関数を推定する新しい手法を提案しました。線形 - 半径積核の導入により安定性とスペクトルの関係を明確化し、統計的学習理論に基づいた誤差解析を行うことで、実用的な非線形システムの安定性解析と制御設計への応用可能性を大きく広げました。今後は、複数のアトラクタを持つ場合や、吸引域の推定などへの展開が期待されます。