Physics-Informed Neural Networks for Nonlinear Output Regulation

Mengozzi 외의 논문 "비선형 출력 규제에 대한 물리 정보 신경망"에 대한 상세한 기술 요약은 다음과 같습니다.

1. 문제 제기

본 논문은 시스템 상태 ($x$) 와 외계 시스템 상태 ($w$) 가 모두 알려진 (전체 정보 설정) 시스템에 대한 비선형 출력 규제 문제를 다룹니다. 목표는 시스템 출력이 외계 시스템에서 생성된 참조 궤적을 점근적으로 추종하거나 외란을 억제하도록 하는 피드백 제어 법칙을 설계하는 것입니다.

• 이론적 과제: 이 문제를 해결하려면 두 가지 매핑을 찾아야 합니다. 정상 상태 상태 다양체 $\pi(w)$ 와 피드포워드 입력 $c(w)$ 입니다. 이러한 매핑은 Isidori-Byrnes 방정식이라고 불리는 대수적 제약 조건이 결합된 편미분 방정식 (PDE) 시스템인 **규제 방정식 (REs)**을 만족해야 합니다.
• 기존 방법의 한계:
  • 해석적: 비선형 시스템의 경우 정확한 해를 구하는 것은 드뭅니다.
  • 근사 (Galerkin/Taylor): 이러한 방법들은 비선형성에 따라 확장성이 떨어지며, 원점의 작은 근방에서만 유효하거나 복잡한 고차 전개를 필요로 합니다.
  • 이전 신경망 접근법: 초기 NN 기반 솔루션은 얕은 모델을 사용한 데이터 피팅에 의존했으며, 재학습 없이 다른 시스템 매개변수나 초기 조건에 대해 일반화할 수 있는 능력이 부족했습니다.

2. 방법론

저자들은 레이블이 지정된 데이터셋이나 사전 계산된 궤적이 필요하지 않도록 규제 방정식을 직접 해결하기 위해 물리 정보 신경망 (PINN) 프레임워크를 제안합니다.

핵심 개념

시간 진화 궤적을 학습하는 대신, 네트워크는 외계 시스템 상태 $w$ 를 직접 필요한 시스템 상태 $\pi(w)$ 와 제어 입력 $c(w)$ 로 매핑하는 정상 상태 연산자를 학습합니다.

구조 및 학습

• 네트워크 구조: 4 개의 은닉 층과 약 $8 \times 10^4$ 개의 매개변수를 가진 완전 연결 신경망 ($n_\xi$) 입니다. 입력으로 외계 시스템 상태 $w$ 를 받아 Approximation $\hat{\pi}(w)$ 와 $\hat{c}(w)$ 를 출력합니다.
• 손실 함수: 학습은 비지도 방식입니다. 손실 함수 $J$ 는 규제 방정식의 잔차를 최소화하고 경계 조건을 강제합니다:
  $$J = J_{PDE} + \lambda \cdot J_{BC}$$
  • $J_{PDE}$: PDE 잔차 ($L_s\hat{\pi} - f(\hat{\pi}, \hat{c}, w)$) 와 대수적 제약 조건 ($h(\hat{\pi}, w)$) 의 평균 제곱 오차입니다.
  • $J_{BC}$: 경계 조건 (예: 작동기 한계) 에 대한 페널티 항입니다.
  • 자동 미분: 네트워크 입력 $w$ 에 대한 리 미분 ($L_s\pi$) 을 계산하는 데 사용되어, 네트워크가 외계 시스템 역학의 물리를 "이해"하도록 합니다.
• 일반화 전략: 네트워크는 동적 시스템의 패밀리 (다양한 외계 시스템 초기 조건 및 주파수 $\Omega$ 와 같은 매개변수) 를 샘플링하여 학습됩니다. 이는 네트워크가 특정 인스턴스가 아닌 일반적인 해 연산자를 학습하도록 강제합니다.

3. 사례 연구: 헬리콥터 수직 착륙

접근 방식을 검증하기 위해 저자들은 수직 진동하는 플랫폼과 헬리콥터의 수직 역학을 동기화하는 비선형 벤치마크에 이 방법을 적용했습니다.

• 시스템 역학: 주 로터 추력, 꼬리 로터 추력, 로터 틸트와 같은 다중 입력 비선형 역학을 가진 하구동 강체로 모델링되었습니다.
• 외계 시스템: 알려지지 않은 주파수와 진폭을 가진 수직 정현파 참조를 생성하는 조화 진동자입니다.
• 규제 방정식: 문제는 뉴턴 - 오일러 방정식에서 유도된 결합된 PDE 를 만족하는 정상 상태 롤/피치 각 ($\pi_\phi, \pi_\theta$) 과 특정 제어 입력 ($c_b$) 을 구하는 문제로 축소되었습니다.
• 제약 조건: 솔루션은 작동기 한계 (예: $|u_b| \leq 0.3491$) 를 준수해야 합니다.

4. 주요 결과

이 프레임워크는 30 초 시뮬레이션 구간을 가진 소비자용 GPU 에서 테스트되었습니다.

• 고충실도 재구성: PINN 은 높은 정확도로 제로 오차 다양체를 성공적으로 재구성했습니다. 학습된 매핑 ($\pi(w), c(w)$) 은 외계 시스템에 의해 유도된 진동 거동을 정확하게 포착했습니다.
• 일반화:
  • 제어기는 훈련 중 보지 못한 구성 (분포 외) 을 포함하여 광범위한 외계 시스템 주파수와 초기 조건에 걸쳐 낮은 추종 오차를 유지했습니다.
  • "분포 내" 및 "분포 외" 시나리오에서 잔류 추종 오차는 참조 신호보다 약 두 자릿수 작았습니다.
• 트림 조건 복구: 외계 시스템 상태가 0 일 때 (외란 없음), 네트워크는 헬리콥터에 대한 알려진 "트림" 조건 (정상 호버 입력) 을 올바르게 복구하여 해의 물리적 일관성을 검증했습니다.
• 성능 지표:
  • 학습: 몇 분 내에 완료되었습니다.
  • 추론: 실시간 임베디드 배포에 적합한 경량 순방향 통과입니다.
  • 오차: 중앙값 절대 수직 추종 오차는 약 0.031m 이었으며, 대부분의 오차는 무시할 수 있었습니다. 발산은 극단적이고 매우 비선형적인 영역 (고주파수/고진폭) 에서만 발생했는데, 이는 PINN 이 REs 를 해결하지 못했기 때문이 아니라 피드백 안정화기 설계에 기인한 것입니다.

5. 중요성과 기여

• 데이터 효율적 해결: 제어 이론의 복잡한 비선형 PDE 를 거대한 데이터셋 없이 오직 시스템의 수학적 구조 (물리 정보) 에만 의존하여 해결할 수 있음을 입증했습니다.
• 연산자 학습: 이 접근법은 단일 인스턴스를 해결하는 것에서 시스템 패밀리 전반에 걸쳐 일반화되는 해 연산자를 학습하는 것으로 전환하여 매개변수 변화에 대해 강건하게 만듭니다.
• 실시간 실현 가능성: 이 방법은 종종 계산적으로 금지적인 이론적 비선형 제어와 실제 구현 사이의 간극을 메우며, 임베디드 하드웨어에서 실시간 제어를 위한 계산 효율적인 경로를 제공합니다.
• 광범위한 적용성: 헬리콥터에서 테스트되었지만, 이 방법론은 규제 방정식을 구성할 수 있는 한, 출력 규제 문제가 해를 갖는 모든 비선형 시스템에 적용 가능합니다.

6. 한계 및 향후 작업

• 전체 정보 가정: 현재 방법은 외계 시스템 상태 $w$ 가 피드백에 사용 가능하다고 가정합니다. 향후 작업은 이를 부분 정보 설정 ( $w$ 추정) 으로 확장하는 것을 목표로 합니다.
• 피드백 안정화: 논문은 REs(피드포워드) 를 해결하는 데 중점을 둡니다. 폐루프 시스템의 안정성은 별도로 조정된 피드백 이득에 의존하며, 이는 경험적으로 조정되었습니다. 향후 작업은 실현 가능한 작동 영역을 확대하기 위해 고급 안정화 피드백 설계를 통합할 수 있습니다.
• 시스템 불확실성: 훈련 중 시스템 매개변수를 무작위화하여 매개변수 불확실성을 가진 시스템 패밀리 처리로 프레임워크를 확장하는 것이 제안된 방향입니다.