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

技術要約：非線形双曲型PDEクラスに対する近似フィードバック線形化 — 第II部：ニューラルオペレーター

問題提起
本論文は、ある種の非線形双曲型偏微分方程式（PDE）に対して、厳密なフィードバック線形化を実装する際の計算上の困難さを扱う。本研究の第I部では、ボルテラ級数の有限次打ち切りによるフィードバック線形化子が閉ループ安定性を確立したが、得られるコントローラーはリアルタイム適用において依然として計算負荷が高い。具体的には、打ち切られたコントローラーの評価には以下の手順が必要となる：

1. フィードバック核を生成するために、$N-1$ 個のプラント固有の線形カーネルPDEを、成長する単体（simplex）上で解くこと。
2. 事前計算されたこれらの核に対して、制御更新ごとに$N$重の入れ子状の積分を実行すること。

これらの操作は「プラント固有」であり、プラントの非線形性 $F$ が変化するたびに、カーネルPDEを最初から解き直す必要がある。本論文では、オンラインでのカーネル解法と入れ子状の積分を排除しつつ、安定性の保証を維持するために、明示的で計算負荷の高い打ち切りコントローラーを、学習されたニューラルオペレーター・サロゲート（代用モデル）に置き換えることを提案する。

手法
コアとなる手法は、プラントの非線形性の係数とシステム状態から、境界制御入力へのマッピングを直接学習することであり、これによりカーネルPDEの解法という中間ステップをバイパスする。

1. 共同リプシッツ連続性： 著者らは、打ち切りボルテラフィードバック演算子（$U_N(f_N, u)$ と表記）が、プラントの係数 $f_N$（非線形性のボルテラ核）と状態 $u$ の両方に対して、共同リプシッツ連続であることを最初に確立している。これは、ユニバーサル近似の前提条件を満たすための重要な理論的ステップであり、演算子がコンパクト集合上で連続であることを保証するものである。
2. ニューラルオペレーター・サロゲート： リプシッツ特性を活用し、本論文ではニューラルオペレーター（具体的には MIONet アーキテクチャ）を用いて $U_N$ を近似する。このネットワークは、プラント係数のペアと状態を、厳密な打ち切り制御値へと写像するデータセットを用いて訓練される。一度訓練されると、ニューラルオペレーター $\hat{U}_N$ は直接的なサロゲートとして機能し、$(f_N, u)$ を入力として受け取り、単一のフォワードパスで制御 $U(t)$ を出力する。
3. 閉ループ解析： サロゲート・フィードバック下での閉ループ系の安定性が解析される。目標輸送方程式を駆動する境界残差は、打ち切り誤差（第I部によるもの）と、ニューラルオペレーターの近似誤差（$\epsilon$）の2つの成分で構成されることが示される。

主な貢献
本論文は、主に3つの理論的および実用的な貢献を行う：

• リプシッツ連続性の結果： 打ち切りボルテラフィードバック演算子が、プラント係数および状態の有界集合上で局所リプシッツ連続であることを証明した。この結果は、その後の近似保証のための数学的基礎となる。
• ニューラルサロゲートの存在： カーネルPDEの解法および入れ子状の積分を、単一の学習されたマッピングへと効果的に集約し、任意の指定された sup-norm 精度を達成できるニューラルオペレーター近似 $\hat{U}_N$ の存在を確立した。
• 実用的安定性定理： ニューラルオペレーター・フィードバック下での閉ループ系が、第I部で確立された4つの安定特性（前方不変性、実用的安定性、有限時間吸引性、およびクラス $KL$漸近推定）を保持することを証明した。決定的なことに、漸近的なエンベロープは$|u(\cdot, t)|\infty \leq \beta(|u_0|\infty, t) + \gamma(\epsilon)$の形式となり、残留ボールは訓練精度$\epsilon$ に対して線形にスケールすることが示されている。

結果
論文では、打ち切り次数 $N=3$ における数値実験を通じてフレームワークを検証している：

• 安定化： 学習されたコントローラーは、オープンループで不安定な非線形双曲型プラントを正常に安定化させた。
• ロバスト性： 特定の分布を持つプラントパラメータで訓練されたサロゲートは、再訓練なしに、未知のプラント（異なる非線形パラメータを持つもの）や様々な初期条件を安定化させた。
• 打ち切り vs 近似： 結果は、ニューラルオペレーターが近似誤差 $\epsilon$（結果として $\sim 10^{-3}$ の残留フロアを生む）を導入する一方で、大きな非線形係数のために低次打ち切り（例：$N=2$）が失敗する領域においても安定性を維持できることを示している。
• 計算効率： 最も重要な実用的結果は、計算速度の向上である。古典的な $N=3$ コントローラーの実装は、カーネルPDEの求解と入れ子状の積分を必要とし、1回の評価に約3.95秒を要する。訓練されたニューラルオペレーターは、同じ制御則を約1ミリ秒で評価でき、約4,000倍の高速化を実現している。

意義と主張
本論文は、第I部で導入された理論的枠組みの実用的な実現として位置付けられている。第I部では、無限級数を打ち切ることでコントローラーを「原理的に実装可能」にしたが、本研究では、それを「プラントクラスごとに一度限りで、実用的に実装可能」なものにした。

著者らは、演算子を直接学習することで、非線形PDEのリアルタイム制御における主要なボトルネックであるオンラインでのカーネル解法を排除できると主張している。その意義は、この近似が安定性を損なわないという厳密な証明にある。すなわち、システムは残留誤差が明示的にバウンドされ、かつニューラルネットワークの訓練精度に線形に比例する形で、実用的安定性を維持する。訓練精度がゼロに近づくにつれ、厳密な打ち切り制御（そして最終的には厳密な無限ボルテラ線形化器）の挙動が回収される。