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

기술 요약: 고차원 제어 공간을 위한 최적성 기반 제어 공간 축소

문제 정의
본 논문은 시변 포물선형 편미분 방정식(PDE)에 의해 지배되는 무제약 선형-이차 최적 제어 문제(OCP)의 수치적 해법을 다룬다. 이러한 문제들은 고차원 또는 무한 차원의 상태 공간($V$)과 제어 공간($U$)을 포함하며, 이로 인해 직접적인 수치 최적화를 수행하는 것은 계산적으로 매우 부담이 크다. 표준적인 접근 방식은 모델 차수 축소(MOR), 일반적으로 갈레르킨 투영(Galerkin projection)을 통한 상태 공간 축소를 포함한다. 그러나 기존 방법들은 제어 공간을 별도로 취급하거나, 축소된 상태와 최적 제어 사이의 구조적 관계를 충분히 활용하지 못하여 불필요한 근사 오차나 계산 오버헤드를 초래할 가능성이 있다.

방법론
저자들은 상태 공간 축소와 유도된 제어 공간 축소를 최적 제어 문제(OCP)의 1차 최적성 조건에 기반하여 통합하는 프레임워크를 제안한다.

1. 유도된 제어 축소: 핵심적인 이론적 통찰은 무제약 선형-이차 OCP의 경우, 축소된 부분 공간 $V_r \subset V$로 상태 방정식을 투영하면 축소된 제어 공간 $U_r \subset U$가 암묵적으로 정의된다는 것이다. 구체적으로, 최적 제어 $\bar{u}$는 최적 수반 상태 $\bar{p}$와 $\bar{u} = -\frac{1}{\beta} J_U^{-1} B' \bar{p}$라는 조건을 통해 연결된다. 만약 축소된 수반 상태 $\bar{p}_r$이 $V_r$ 내에 존재한다면, 결과적으로 발생하는 최적 제어 $\bar{u}_r$은 자동으로 $U_r = \text{span}\{J_U^{-1} B' v_i\}$ (여기서 $\{v_i\}$는 $V_r$의 기저) 내에 존재하게 된다.
2. 축소된 문제들의 동등성: 저자들은 "상태 축소형" OCP(제어는 여전히 전체 공간 $U$에서 탐색)와 "상태 및 제어 결합 축소형" OCP(제어가 $U_r$로 제한됨)가 동등함을 증명한다. 전자의 최소값은 자연스럽게 후자에 존재하며, 이는 최적화를 $U_r$로 제한하더라도 추가적인 근사 오차가 발생하지 않음을 의미한다.
3. 사후 오차 추정(A Posteriori Error Estimation): 저자들은 최적 제어를 위한 상한 및 하한 사후 오차 경계(error bounds)를 모두 도출한다. 기존의 일부 방법들과 달리, 이 경계들은 축소 모델이 최적성 조건을 정확히 만족할 필요가 없으므로, 최적화 루프 내의 임의의 반복값(iterate)에도 적용될 수 있다. 이 경계들은 전체 모델(FOM)의 최적 제어와 임의의 제어 후보 사이의 거리를 정량화한다.
4. 적응형 알고리즘: OCP를 해결하기 위해 온라인 적응형 알고리즘(Algorithm 1)이 개발되었다. 이 알고리즘은 오프라인 훈련 단계 대신, 현재의 반복값에서 생성된 상태 및 수반 변수의 스냅샷을 사용하여 $V_r$과 $U_r$을 반복적으로 구축한다. 알고리즘은 사후 오차 추정치가 지정된 허용 오차 미만으로 떨어질 때 종료된다.

주요 기여

• 이론적 동등성: 본 논문은 상태 공간 축소만으로도 유도된 제어 구조가 형성됨을 확립하여, 상태 축소형 OCP와 결합된 상태-제어 축소형 OCP 사이의 동등성을 증명하였다. 이를 통해 제어의 명시적 이산화 오차를 분석에서 제거하였다.
• 오차 경계: 최적 제어 오차에 대한 엄밀한 상한 및 하한 사후 오차 경계를 제공한다. 이 경계들은 최적의 것뿐만 아니라 공간 내의 임의의 제어에도 적용 가능하여, 축소 모델을 매 단계마다 기계 정밀도까지 풀 필요 없이 반복적 최적화 체계에서 사용할 수 있도록 한다.
• 수렴 증명: 제안된 적응형 알고리즘의 수렴성이 분리 가능한 힐베르트 공간(separable Hilbert spaces)에서 증명되었다. 이 증명은 축소 차원이 증가함에 따라 알고리즘이 FOM 해로 수렴하는 일련의 반복값을 구축함을 보여준다.
• 수치적 효율성: 제안된 방식이 상태 축소형 방식만 사용하는 것보다 정확도를 희생하지 않으면서도 OCP를 해결하는 데 상당한 계산 속도 향상을 가져온다는 것을 입증하였다.

결과
다양한 정규화 파라미터($\beta$)를 가진 포물선형 PDE 제약 OCP에 대한 수치 실험을 통해 이론적 발견을 검증하였다:

• 동등성 검증: 상태 축소형 OCP와 결합 축소형 OCP를 비교했을 때, 최적 제어의 차이가 무시할 수 있는 수준($10^{-9}$에서 $10^{-16}$ 사이)임을 확인하였으며, 이는 이론적 동등성을 뒷받침한다.
• 속도 향상: 결합된 제어 및 상태 축소 방식(Control-ROM)은 상태 축소 방식(ROM) 단독 사용 시보다 약 9배의 속도 향상을 달了했다.
• FOM과의 비교: 전체 모델(FOM)과 비교했을 때, Control-ROM 방식은 $\beta$ 값에 따라 3.6배에서 34.2배 사이의 속도 향상을 달성하였다. $\beta$가 작아질수록(즉, 문제가 더 악조건이 될수록) 축소 모델이 수렴하기 위해 필요한 외부 반복 횟수가 줄어들기 때문에 속도 향상이 더 커졌다.
• 오차 추정: 도출된 사후 오차 경계가 날카롭다(sharp)는 것이 검증되었으며, 상한은 실제 오차를 밀접하게 추적하고 하한은 유효하지만 때때로 보수적인 추정치를 제공하였다.

의의 및 주장
저자들은 자신들의 접근 방식이 제어 공간의 "변분적 축소(variational reduction)"를 제공한다고 주장한다. 최적성 조건을 활용함으로써, 이 방법은 명시적인 제어 이산화와 관련된 추가적인 근사 오차를 피한다. 이러한 관점은 수렴 분석을 단순화하고 오차 추정을 개선한다. 본 논문은 이 연구를 고정된 파라미터를 가진 OCP의 단일 풀이(single solve)에 적합한 인증된 적응형 MOR 전략으로 위치시킨다. 이는 오프라인 훈련 비용이 높기 때문에 전통적인 오프라인-온라인 분해 방식이 효과적이지 않은 경우에 유용하다. 결과는 무제약 선형-이차 문제의 경우, 암묵적으로 유도된 제어 부분 공간으로 최적화를 제한하는 것이 이론적으로 타당할 뿐만 아니라, 정확도 손실 없이 상당한 가속을 제공하는 계산적으로 우월한 방법임을 시사한다. 저자들은 현재 프레임워크가 선형-이차 문제에 집중하고 있으나, 제어의 선형성과 이차 비용 함수의 특성을 고려할 때, 충분한 2차 최적성 조건이 충족된다면 비선형 PDE에도 적용 가능할 것이라는 잠재적 가능성을 언급하였다.