Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems

1. 문제 제기 (Problem Statement)

포트 - 해밀토니안 시스템 (Port-Hamiltonian Systems, PHS) 은 에너지 흐름과 저장을 강조하여 복잡한 물리 시스템을 모델링, 분석, 제어하는 강력한 프레임워크입니다. 최근 데이터 기반 학습을 통해 PHS 를 모델링하는 신경망 (PHNN) 이 주목받고 있으나, 기존 방법론에는 다음과 같은 한계가 존재합니다.

• 볼록성 (Convexity) 제약: 기존 데이터 기반 PHS 학습 방법 (특히 ICNN 기반) 은 해밀토니안 함수를 볼록 (Convex) 하도록 강제합니다. 이는 해밀토니안의 기울기가 한 점에서만 0 이 되도록 하여, 시스템이 단 하나의 평형점 (Equilibrium) 만 가질 수 있음을 의미합니다.
• 다중 평형점의 부재: 많은 실제 물리 시스템 (예: 더블 펜듈럼, 체인 펜듈럼) 은 비볼록 (Non-convex) 해밀토니안을 가지며, 여러 개의 고립된 안정 평형점을 가집니다. 기존 ICNN 기반 방법은 이러한 다중 평형점의 안정성을 보존하지 못하거나, 단일 평형점으로 수렴하도록 강제하여 시스템의 동역학을 왜곡시킵니다.
• 안정성 보존의 어려움: 학습된 모델이 원래 시스템의 안정 평형점 (특히 국소적 안정성) 을 정확히 재현하지 못하면, 장기적인 거동 예측이 실패할 수 있습니다.

이 논문은 볼록성 제약 없이 PHS 의 고유한 구조를 보존하면서도, 알려진 여러 개의 안정 평형점을 학습된 모델에서 정확히 보존하는 데이터 기반 모델링 기법을 제안합니다.

2. 제안된 방법론 (Methodology)

저자들은 해밀토니안 함수를 근사하기 위해 특수하게 설계된 신경망 아키텍처와 학습 프레임워크를 제안합니다.

A. 제안된 신경 해밀토니안 (Neural Hamiltonian) 설계

기존의 정규화 항 (Regularization term) 을 통해 평형점에서 기울기가 0 이 되도록 하는 방식은 이론적 보장이 부족합니다. 대신, 설계 단계에서 안정성을 보장하는 구조를 도입합니다.

• 함수 구조: 해밀토니안 $\hat{H}(x)$ 를 다음과 같이 정의합니다.
  $$\hat{H}(x) = NN_H(x) \cdot h(\sigma(\|x - x_{eq}\|_2))$$
  • $NN_H(x)$: 양수 출력 신경망 (해밀토니안의 기본 형태).
  • $h(\cdot)$: 평형점 $x_{eq}$ 주변에서만 활성화되는 스무드 스텝 함수 (Smooth step function).
  • $\sigma(\cdot)$: $x_{eq}$ 에서 미분 가능하도록 보정된 거리 함수.
• 안정성 보장 메커니즘:
  • $h(\cdot)$ 함수는 $x_{eq}$ 에서 0 이 되고, 그 미분값도 0 이 되도록 설계됩니다 ($h(0)=0, h'(0)=0$).
  • 이로 인해 $\nabla_x \hat{H}(x_{eq}) = 0$이 구조적으로 보장됩니다.
  • 또한, $NN_H(x) > 0$이므로 $x_{eq}$ 는 $\hat{H}(x)$ 의 엄격한 최소점 (Strict Minimum) 이 됩니다.
  • 리아푸노프 (Lyapunov) 안정성 이론에 따라, 해밀토니안의 엄격한 최소점은 시스템의 안정 평형점이 됩니다.

B. 다중 평형점 확장 (Multiple Equilibria)

시스템에 $n_{eq}$ 개의 고립된 안정 평형점이 존재하는 경우, 개별 평형점 주변의 활성화 영역 ($\Omega_{b_i}$) 이 서로 겹치지 않도록 파라미터를 설정합니다.

• 전체 해밀토니안은 각 평형점 주변의 스텝 함수들을 선형 결합하여 구성됩니다.
• 각 평형점 $x^{(i)}_{eq}$ 주변에서는 해당 항만 활성화되고 나머지는 1 이 되어, 각 평형점의 안정성이 독립적으로 분석 및 보장될 수 있습니다.

C. 학습 프레임워크

• 모델 구조: PHS 의 구조 행렬 $J(x)$ (반대칭), $R(x)$ (대칭 양의 준정부호), $G(x)$ 를 신경망으로 학습하거나, 파라미터가 알려진 경우 이를 고정합니다.
• 손실 함수: 상태 예측 오차 ($\|\hat{x}_{k+1} - x_{k+1}\|^2$) 와 파라미터 정규화 항을 최소화합니다.
• 적분기: 해밀토니안 구조를 보존하기 위해 심플렉틱 적분기 (Symplectic integrators, 예: Symplectic Euler, Verlet) 를 사용하여 미분 방정식을 풉니다.

3. 주요 기여 (Key Contributions)

1. 볼록성 제약 완화: 기존 ICNN 기반 방법의 핵심 제약인 해밀토니안의 볼록성을 제거하여, 비볼록 해밀토니안과 다중 평형점을 가진 시스템을 모델링할 수 있는 유연성을 확보했습니다.
2. 다중 안정 평형점 보존: 학습 과정에서 알려진 안정 평형점 정보를 명시적으로 통합하여, 학습된 모델이 여러 개의 국소적 안정 평형점을 정확히 재현하도록 보장합니다.
3. 이론적 안정성 분석: 제안된 신경 해밀토니안 구조가 학습된 PHS 모델에서 국소적 점근 안정성 (Local Asymptotic Stability) 을 보장함을 수학적으로 증명했습니다. (리아푸노프 함수로서의 엄격한 최소점 조건 활용)
4. 수치적 검증: 단일 평형점 시스템 (Toda 격자) 과 다중 평형점 시스템 (더블 펜듈럼) 에 대한 실험을 통해, 기존 PH-ICNN 방법보다 우수한 정확도와 안정성 보존 능력을 입증했습니다.

4. 실험 결과 (Results)

두 가지 수치 실험을 통해 제안된 방법의 유효성을 검증했습니다.

A. Toda 격자 시스템 (단일 평형점)

• 설정: 비선형 스프링과 댐퍼로 연결된 입자 사슬 모델.
• 결과:
  • 제안된 모델은 PH-ICNN 보다 실제 시스템의 해밀토니안, 출력, 상태 크기를 더 정확하게 추적했습니다.
  • 펄스 입력 후 시스템이 원점 (평형점) 으로 다시 수렴하는 안정성 특성을 PH-ICNN 보다 더 잘 보존했습니다.

B. 더블 펜듈럼 시스템 (다중 평형점)

• 설정: 비볼록 해밀토니안을 가지며 무한히 많은 평형점 ($\theta = 2k\pi$) 을 가지는 시스템. 9 개의 특정 평형점을 학습에 포함시켰습니다.
• 결과:
  • PH-ICNN 의 실패: PH-ICNN 은 구조적 제약으로 인해 모든 초기 조건에서 원점 (0,0) 으로만 수렴하는 경향을 보였습니다. 실제 시스템이 다른 평형점 (예: $2\pi, 2\pi$) 으로 수렴해야 하는 경우에도 이를 재현하지 못했습니다.
  • 제안 방법의 성공: 제안된 모델은 초기 조건에 따라 정확한 해당 평형점으로 수렴하는 동역학을 재현했습니다.
  • 정확도: 과도기 (Transient) 구간에서도 실제 시스템 (Ground Truth) 과의 오차가 PH-ICNN 에 비해 현저히 적었습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 논문은 물리 정보 기반 신경망 (Physics-Informed Neural Networks) 분야에서 중요한 진전을 이루었습니다.

• 물리적 일관성 강화: 단순히 데이터 피팅을 넘어, 시스템의 에너지 보존 법칙과 안정성이라는 물리적 제약을 신경망 구조 자체에 내재화했습니다.
• 실제 시스템 적용 가능성: 기존 방법론이 다루기 어려웠던 비볼록성과 다중 평형점을 가진 복잡한 기계적, 전기적 시스템의 모델링에 적용 가능한 길을 열었습니다.
• 제어 및 설계에의 기여: 학습된 모델이 안정 평형점을 정확히 보존하므로, 이를 기반으로 한 제어기 설계 (Controller Design) 나 시스템 통합 시 신뢰성을 높일 수 있습니다.

결론적으로, 이 연구는 데이터 기반 PHS 모델링의 정확성과 물리적 타당성을 동시에 향상시키는 새로운 패러다임을 제시하며, 향후 실제 물리 시스템의 디지털 트윈 및 제어 응용에 중요한 기여를 할 것으로 기대됩니다.