⚡ electrical engineering

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

이 논문은 재현 커널 힐베르트 공간 (RKHS) 상의 koopman 연산자 이론을 바탕으로 안정성 분석과 제어에 활용 가능한 리아푸노프 함수를 추정하는 새로운 프레임워크를 제시하고, 통계적 학습 이론을 통해 그 오차 한계를 증명합니다.

원저자: Wentao Tang, Xiuzhen Ye

게시일 2026-03-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Wentao Tang, Xiuzhen Ye

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"복잡하고 예측 불가능한 비선형 시스템 (예: 날씨, 화학 반응, 교통 체증 등) 을 어떻게 하면 쉽게 이해하고 안정적으로 제어할 수 있을까?"**라는 질문에 대한 새로운 해법을 제시합니다.

핵심 아이디어는 **"어려운 문제를 선형적인 (단순한) 문제로 바꿔서 푸는 것"**입니다. 이를 위해 '쿠퍼만 (Koopman) 연산자'라는 수학적 도구를 사용하는데, 이 논문은 그 도구를 더 정교하게 다듬어 시스템이 안정적인지 (폭발하지 않는지) 판단하는 '안정성 지표 (라이아푸노프 함수)'를 데이터만으로 찾아내는 방법을 제안합니다.

이해하기 쉽게 3 가지 비유로 설명해 드리겠습니다.

1. 복잡한 미로와 거울 (쿠퍼만 연산자란?)

상상해 보세요. 여러분이 매우 복잡하고 구불구불한 미로 (비선형 시스템) 안에 있다고 칩시다. 여기서 길을 잃지 않고 목적지 (안정된 상태) 로 가려면, 미로 전체를 한눈에 볼 수 있는 거대한 지도가 필요합니다. 하지만 미로는 너무 복잡해서 지도를 그리는 게 불가능합니다.

여기서 쿠퍼만 연산자는 마법 같은 거울 역할을 합니다.

이 거울은 미로 안의 복잡한 곡선 경로를, 아주 단순하고 직선적인 고차원 공간으로 비춰줍니다.
마치 복잡한 춤을 추는 사람 (비선형 시스템) 을 거울에 비추니, 그 사람이 단순하게 직선으로 걷는 것처럼 보이는 것과 같습니다.
이렇게 되면, 복잡한 미로를 분석하는 대신 그 단순한 직선 경로를 분석하면 되므로 훨씬 쉬워집니다.

하지만 문제점이 하나 있습니다.
이전까지의 연구에서는 이 거울이 비추는 상이 시스템이 안정적인지 (목적지에 도달하는지) 와 무관하게 항상 일정하게 비추는 경우가 많았습니다. 즉, "폭발할 시스템"과 "안전한 시스템"이 거울에 비추면 똑같이 보일 수 있어서, 안정성을 판단하기 어려웠습니다.

2. 새로운 렌즈 (선형 - 방사형 곱 커널)

이 논문은 그 문제를 해결하기 위해 **새로운 렌즈 (커널 함수)**를 개발했습니다.

기존 렌즈는 시스템의 '흐름'만 보았지만, 이 새로운 렌즈는 **시스템의 중심 (평형점, 즉 안정된 상태)**을 특별히 인식하도록 설계되었습니다.
마치 카메라에 **'초점'**을 맞추는 것과 같습니다. 중심이 흔들리면 (불안정하면) 초점이 흐려지고, 중심이 안정되면 선명해집니다.
이 새로운 렌즈를 쓰면, 시스템이 안정적일 때만 거울에 비친 상 (스펙트럼) 이 단위 원 (안전한 영역) 안에 머물게 됩니다. 즉, "이 시스템은 안전하다"는 것을 수학적으로 확실하게 증명할 수 있게 된 것입니다.

3. 에너지 지도 그리기 (라이아푸노프 함수 추정)

이제 가장 중요한 부분입니다. "시스템이 안전하다"는 것을 증명했으니, 어떻게 하면 그 안전성을 수치로 나타낼 수 있을까요?

라이아푸노프 함수는 마치 시스템의 **'에너지 지도'**나 **'위험도 지도'**와 같습니다.
- 지도의 높이가 높을수록 시스템이 불안정하고, 낮아질수록 안정된 상태 (목적지) 에 가까워집니다.
- 우리는 이 지도를 그려서 "여기서부터는 절대 넘어지지 않는다"는 것을 보장하고 싶습니다.

이 논문은 이 '에너지 지도'를 데이터만으로 그리는 방법을 제안합니다.

데이터 수집: 시스템이 어떻게 움직이는지 관찰한 데이터 (예: 자동차의 주행 기록) 를 모읍니다.
쿠퍼만 학습: 위에서 말한 새로운 렌즈를 통해 데이터를 분석해, 시스템의 움직임을 예측하는 선형 모델을 만듭니다.
지도 생성: 이 모델을 이용해, 시스템이 시간이 지남에 따라 에너지를 얼마나 잃어가는지 (감쇠율) 계산하고, 이를 바탕으로 **최적의 에너지 지도 (라이아푸노프 함수)**를 수학적으로 풀어냅니다.

4. 왜 이것이 중요한가요? (실제 적용)

이론만으로는 부족합니다. 논문은 실제 **리나르 방정식 (비선형 진동 시스템)**이라는 복잡한 수학적 모델을 예로 들어 실험했습니다.

결과: 모델에 대한 정확한 공식 (지식) 없이, 오직 관측 데이터만으로 시스템의 안정성을 판단하는 지도를 그렸습니다.
정확도: 계산된 지도는 실제 시스템이 움직이는 경로와 매우 잘 일치했습니다. 비록 원점에서 멀어질수록 오차가 조금 생기지만, 전체적인 모양 (등고선) 을 완벽하게 잡아냈습니다.

요약: 이 논문의 핵심 메시지

복잡한 비선형 시스템을 단순한 선형 문제로 바꿀 수 있다. (쿠퍼만 연산자)
하지만 기존 방법은 안정성을 판단하기 어려웠다. (스펙트럼과 안정성의 관계 불명확)
이 논문은 '새로운 렌즈'를 만들어 안정성을 명확하게 증명했다. (선형 - 방사형 커널)
이제 데이터만으로 시스템이 안전한지 판단하는 '지도'를 그릴 수 있다. (라이아푸노프 함수 추정)

결론적으로, 이 연구는 인공지능과 데이터 과학을 이용해 복잡한 공학 시스템 (로봇, 화학 공장, 전력망 등) 이 갑자기 망가지지 않고 안전하게 작동할지 미리 예측하고 제어하는 새로운 기준을 마련했다는 점에서 매우 중요합니다. 마치 "날씨 예보"처럼, 시스템의 미래 상태를 데이터로 예측하여 안전을 보장하는 시대가 열렸다고 볼 수 있습니다.

논문 요약: 재생 커널 힐베르트 공간 (RKHS) 기반의 Koopman 연산자를 이용한 리아푸노프 함수 추정

1. 연구 배경 및 문제 제기 (Problem)

비선형 시스템의 모델링 한계: 공학 분야에서 비선형 시스템은 흔하지만, 정확한 물리 기반 모델을 얻기 어렵습니다. 이를 해결하기 위해 비선형 시스템을 선형적으로 기술하는 Koopman 연산자가 주목받고 있습니다.
안정성 분석의 난제: Koopman 연산자는 데이터 기반 (EDMD 등) 으로 학습 가능하지만, Koopman 스펙트럼과 평형점의 안정성 사이의 관계가 명확하지 않아 안정성 분석 및 제어 이론화에 걸림돌이 되어 왔습니다.
기존 방법의 한계:
- 기존 RKHS 기반 Koopman 연산자 정의는 평형점의 존재를 고려하지 않아, 시스템이 안정하더라도 스펙트럼 반경이 1 이상일 수 있어 안정성 판별에 실패할 수 있습니다.
- 데이터로부터 리아푸노프 함수를 직접 학습하는 보편적인 이론적 틀이 부재했습니다.

2. 방법론 (Methodology)

이 논문은 재생 커널 힐베르트 공간 (RKHS) 위에서 정의된 Koopman 연산자를 기반으로, 주어진 감쇠율 함수에 대한 리아푸노프 함수를 추정하는 새로운 프레임워크를 제안합니다.

선형 - 방사형 곱 커널 (Linear-Radial Product Kernel) 의 도입:
- 기존 방사형 커널만 사용할 경우 평형점 정보를 반영하지 못한다는 문제를 해결하기 위해, **선형 커널 ( $x \cdot x'$ )**과 Wendland 방사형 커널의 곱으로 구성된 새로운 커널을 정의합니다.
- 이 커널을 통해 정의된 RKHS 는 원점 (평형점) 근처에서 선형적 성질을 가지며, 전역적으로는 고차 미분 가능 (정칙성) 한 함수들을 포함합니다.
스펙트럼 - 안정성 관계의 이론적 증명:
- 원점이 점근적으로 안정한 평형점일 때, 제안된 커널 하에서 Koopman 연산자의 스펙트럼 반경이 1 미만임을 증명합니다. 이는 유한 차원 선형 시스템에서의 안정성 판별 조건과 유사한 구조를 가집니다.
연산자 대수적 리아푸노프 방정식 (Operator ALE) 구성:
- 리아푸노프 함수 $v(x)$ 와 감쇠율 함수 $w(x)$ 를 RKHS 상의 **양의 연산자 (Positive Operators)**로 표현된 "커널 2 차 형식 (Kernel Quadratic Form)"으로 정의합니다.
- $v(f(x)) - v(x) \le -w(x)$ 조건을 만족하는 리아푸노프 함수를 찾기 위해 **연산자 대수적 리아푸노프 방정식 (Operator ALE)**을 유도합니다:
  $APA^* - P = -Q$
  여기서 $P$ 는 리아푸노프 함수를 정의하는 연산자, $Q$ 는 감쇠율을 정의하는 연산자입니다.
데이터 기반 추정 (kEDMD 및 KRR):
- kEDMD (Kernel Extended Dynamic Mode Decomposition): 데이터로부터 Koopman 연산자 $\hat{A}$ 를 추정합니다.
- 커널 릿지 회귀 (KRR): 감쇠율 함수를 정의하는 연산자 $Q$ 를 데이터로부터 추정합니다.
- 추정된 $\hat{A}$ 와 $\hat{Q}$ 를 대입하여 행렬 형태의 ALE 를 풀고, 이를 통해 리아푸노프 함수 $\hat{v}(x)$ 를 구합니다.

3. 주요 기여 (Key Contributions)

이론적 기반 확립: RKHS 상에서 정의된 Koopman 연산자의 스펙트럼 반경이 1 미만일 때, 연산자 ALE 가 유일한 양의 해를 가진다는 것을 증명했습니다. 이는 비선형 시스템에 대한 역 리아푸노프 정리 (Converse Lyapunov Theorem) 의 Koopman 버전으로 볼 수 있습니다.
오차 한계 (Error Bound) 증명: 통계적 학습 이론을 적용하여, 데이터 기반 추정치 ( $\hat{A}, \hat{Q}$ ) 의 학습 오차가 리아푸노프 함수 추정치 ( $\hat{P}$ ) 의 오차에 비례함을 증명했습니다. 즉, 데이터가 충분할수록 추정 오차가 0 에 수렴함을 이론적으로 보장합니다.
실용적인 알고리즘 제안: 비선형 시스템의 모델을 알지 못하더라도, 단순히 궤적 데이터만으로부터 리아푸노프 함수를 구성할 수 있는 구체적인 알고리즘 (kEDMD + KRR + ALE 풀이) 을 제시했습니다.

4. 실험 결과 (Results)

테스트 시스템: 비다항식 비선형 시스템인 Liénard 방정식을 이산 시간 시스템으로 변환하여 실험했습니다.
성능 평가:
- 학습된 Koopman 연산자의 스펙트럼이 단위 원판 (Unit Disk) 내에 잘 분포함을 확인하여 안정성 분석이 유효함을 검증했습니다.
- 추정된 리아푸노프 함수 ( $\hat{v}$ ) 와 시뮬레이션을 통해 구한 참값 (True $v$ ) 을 비교한 결과, 전체적인 등고선 형태 (Contour Shape) 를 정확하게 포착했습니다.
- 원점에서 멀어질수록 오차가 증가하는 경향이 있으나, 이는 리아푸노프 함수가 누적된 감쇠율이기 때문에 발생하는 현상으로 분석되었습니다.
- 선형화된 모델로 얻은 리아푸노프 함수와 비교하여, 제안된 방법이 비선형성으로 인한 큰 편차 (예: $v(1,1)$ 값의 차이) 를 잘 보정함을 보여주었습니다.

5. 의의 및 결론 (Significance)

Koopman 기반 제어의 이론적 토대 마련: Koopman 연산자를 이용한 제어 및 관측 이론이 단순한 실용적 기법을 넘어, 스펙트럼 - 안정성 관계에 기반한 엄밀한 수학적 틀을 갖추는 데 중요한 기여를 했습니다.
데이터 기반 안정성 분석의 가능성: 시스템의 정확한 수학적 모델 없이도 데이터만으로 안정성을 증명할 수 있는 리아푸노프 함수를 구성할 수 있음을 보였습니다.
향후 연구 방향: 전역적으로 안정하지 않은 시스템의 영역 수렴 (Domain of Attraction) 추정 및 다중 어트랙터 시스템으로의 확장을 향후 연구 과제로 제시했습니다.

핵심 요약: 이 논문은 RKHS 와 새로운 커널 함수를 활용하여 Koopman 연산자의 스펙트럼과 시스템 안정성을 연결하고, 이를 바탕으로 데이터만으로 리아푸노프 함수를 추정하는 이론적 틀과 알고리즘을 제시함으로써, 비선형 시스템의 데이터 기반 제어 및 분석에 중요한 이론적 진전을 이루었습니다.