기술 요약: 실험을 통한 선형 동역학 학습의 한계

1. 문제 제기

본 논문은 관측된 상태 - 입력 궤적로부터 알려지지 않은 연속 시간 선형 시불변 (LTI) 시스템의 매개변수 $(A, B)$를 식별하는 근본적인 문제를 다룹니다.该系统은 다음과 같은 상미분 방정식에 의해 지배됩니다:
$$\dot{x}(t) = Ax(t) + Bu(t), \quad x(0) = x_0$$
여기서 $x(t) \in \mathbb{R}^n$는 상태, $u(t) \in \mathbb{R}^m$는 제어 입력, 그리고 $(A, B)$는 알려지지 않은 매개변수입니다.

제어된 LTI 시스템에 대한 고전적 식별 가능성 이론은 시스템의 **제어 가능성 (controllability)**과 지속적으로 자극하는 (PE) 입력이 단일 실험으로부터 $(A, B)$를 고유하게 복원하기 위한 충분 조건임을 확립합니다. 그러나 많은 실제 상황, 특히 희소하고 고차원인 시스템에서는 제어 가능성이 종종 실패합니다. 제어 가능성이 부재할 때, 단일 실험이 전체 시스템을 고유하게 결정할 수 있는지, 아니면 시스템의 일부만 복원 가능한지 여전히 불분명합니다. furthermore, 기존 문헌은 제어 가능성을 가정하지 않는 비자율적 LTI 시스템에 대한 식별 가능성의 폐쇄형 (closed-form) 특성을 제시하지 못했습니다.

핵심 문제는 **실험 조건부 식별 가능성 (experiment-conditional identifiability)**을 특성화하는 것입니다: 특정 실험 설정 (초기 상태 $x_0$와 제어 입력 $u$로 정의됨) 에 의해 시스템의 어떤 부분이 고유하게 결정되고, 어떤 부분이 모호하게 남는지를 규명하는 것입니다.

2. 방법론 및 이론적 프레임워크

저자들은 단일 실험 $e = (x_0, u)$로부터 회복 가능한 정보의 한계를 분석하기 위한 기하학적 및 대수적 프레임워크를 개발합니다.

2.1 가시 부분공간 (Visible Subspace)

소개된 핵심 개념은 가시 부분공간, 기호 $\mathcal{V}(x_0)$입니다. 이는 초기 상태 $x_0$와 입력 행렬 $B$의 이미지 (즉, $\text{Im}(B)$) 를 포함하는 가장 작은 $A$-불변 부분공간으로 정의됩니다. 형식적으로는 크릴로프 스패인 (Krylov span) 입니다:
$$\mathcal{V}(x_0) := \mathcal{K}_n(A, [x_0 \ B]) = \text{span}\left\{ [x_0 \ B], A[x_0 \ B], \dots, A^{n-1}[x_0 \ B] \right\}$$
저자들은 **궤적 구속 보조정리 (Orbit Confinement Lemma)**를 증명합니다: 입력 $u$의 복잡도에 관계없이, 결과적인 상태 궤적 $\phi(t)$는 엄격하게 $\mathcal{V}(x_0)$ 내에 구속됩니다. 따라서 이 부분공간 외부 ( "맹점" 여백) 에 있는 시스템 동역학은 관측된 궤적에 영향을 미칠 수 없습니다.

2.2 실험 일관성 대 설계 일관성 집합

본 논문은 관측과 일관된 두 가지 시스템 집합을 구분합니다:

1. 설계 일관성 집합 $[A, B]_E$: 실험 클래스 (모든 가능한 입력 $u \in U$) 와 일관된 모든 시스템의 집합. 이는 초기 상태와 입력 능력에 주어진 정보의 구조적 한계를 나타냅니다.
2. 실험 일관성 집합 $[A, B]_e$: 단일 실현된 실험 $(x_0, u)$와 일관된 모든 시스템의 집합.

저자들은 "다리 (Bridge)" 정리를 확립합니다: 실현된 궤적이 **정보성 (informative)**을 가진다면 (즉, 투영된 상태와 입력의 결합 회귀 행렬이 풀랭크 그라미안 (full-rank Gramian) 을 가진다면), 단일 실험 집합은 설계 일관성 집합으로 축소됩니다 ($[A, B]_e = [A, B]_E$). 그들은 충분한 차수의 지속적 자극 입력이 이러한 정보성을 보장함을 보여줍니다.

2.3 식별 가능성의 특성화

정보성 실험 하에서, 저자들은 데이터와 일관된 모든 시스템의 폐쇄형 매개변수화를 유도합니다. 가시 부분공간 $\mathcal{V}(x_0)$와 그 여백 $\mathcal{W}$를 분리하는 좌표 변환 $T$를 사용하여, 일관된 임의의 시스템 $(\tilde{A}, \tilde{B})$는 다음을 만족해야 합니다:

• $\tilde{B} = B$
• 가시 부분공간에 대한 $\tilde{A}$의 제한은 $A$의 제한과 같습니다: $\tilde{A}|_{\mathcal{V}(x_0)} = A|_{\mathcal{V}(x_0)}$
• 여백 $\mathcal{W}$에서의 동역학 및 교차 결합 항은 임의적일 수 있습니다.

따라서 시스템은 완전히 식별 가능한 것은 $\mathcal{V}(x_0) = \mathbb{R}^n$일 때 (즉, 가시 부분공간이 전체 상태 공간을 span 할 때) 입니다. 그렇지 않으면, 가시 부분공간에 제한된 제한된 동역학만이 고유하게 결정됩니다.

2.4 대수적 기준

비식별 가능성에 대한 근접성을 정량화하기 위해, 논문은 증강된 쌍 $(A, [x_0 \ B])$에 기반한 두 가지 대수적 검사를 제안합니다:

1. 왼쪽 고유벡터 테스트: $w^\top x_0 = 0$이고 $w^\top B = 0$인 $A$의 왼쪽 고유벡터 $w$가 존재하면 완전 식별성은 실패합니다. $\mu_{\min}$이라는 마진 (margin) 이 고유벡터와 자극 원천의 정렬을 측정하도록 정의됩니다.
2. 고정 실험 PBH 테스트: 고정된 $x_0$에 주어진 식별 가능성 상실을 위한 거리를 측정하는 수정된 Popov–Belevitch–Hautus (PBH) 마진 $d_{\text{PBH}}(A, B | x_0)$가 유도됩니다.

3. 주요 기여

1. 부분 식별 가능성 정리: 논문은 전체 시스템이 식별 가능하지 않더라도, 가시 부분공간 $\mathcal{V}(x_0)$에 제한된 동역학은 단일 정보성 실험에 의해 고유하게 결정됨을 증명합니다.
2. 폐쇄형 매개변수화: 주어진 실험과 일관된 모든 시스템의 집합에 대한 명시적 설명을 제공하며, 비식별 가능 부분공간에서의 자유도를 특성화합니다.
3. 식별 가능성에 대한 대수적 기준: 완전 식별 가능성을 테스트하고 식별 문제의 강건성을 정량화하기 위한 계산 가능한 지표 ($\mu_{\min}$ 및 $d_{\text{PBH}}$) 를 도입합니다.
4. 제어된 시스템으로의 확장: 자율 시스템에 초점을 맞춘 이전 작업과 달리, 이 프레임워크는 제어된 LTI 시스템에서 초기 상태와 제어 입력의 역할을 명시적으로 분리합니다.

4. 실험 결과

저자들은 제어 가능성 실패에 취약한 합성 희소 LTI 시스템에서 이론적 발견을 검증합니다.

• 제어 가능성 대 식별 가능성: 실험은 희소성이 증가함에 따라 제어 가능한 시스템의 비율이 크게 감소함을 보여줍니다. 그러나 식별 가능성은 실험 조건부임이 입증되었습니다: 밀집된 초기 상태는 제어 불가능한 시스템을 완전히 식별 가능하게 만들 수 있는 반면, 희소한 초기 상태는 부분적 식별 가능성으로 이어질 수 있습니다.
• 서브시스템 복원: 논문은 희소 시스템에서 네 가지 식별 방법 (DMDc, MOESP, SINDy, Neural ODEs) 을 벤치마킹했습니다.
  • 결과: 모든 방법은 전체 시스템이 식별 가능하지 않더라도 가시 서브시스템 ($\mathcal{V}(x_0)$로의 제한) 을 거의 오차 없이 성공적으로 복원했습니다.
  • 대조: 전체 시스템을 복원하는 오차 ($REE_{\text{full}}$) 는 0 에서 벗어난 채 유지되어 자극되지 않은 부분공간에서의 구조적 모호성을 반영합니다.
  • 노이즈 강건성: 관측 노이즈가 증가함에 따라 가시 서브시스템의 오차는 전체 시스템 오차보다 낮게 유지되지만, Neural ODEs (NODEs) 는 폐쇄형 추정기 대비 최적화 어려움으로 인해 전반적으로 더 높은 오차를 보입니다.

5. 중요성 및 주장

본 논문은 제어 가능성을 가정하지 않는 비자율적 LTI 시스템의 식별 가능성에 관한 문헌의 공백을 해소했다고 주장합니다. 주요 중요성은 "시스템이 식별 가능한가?"라는 관점에서 "이 특정 실험이 주어졌을 때 무엇이 식별 가능한가?"라는 관점으로의 전환에 있습니다.

저자들은 다음과 같이 주장합니다:

• 고전적 보장 (제어 가능성 + PE) 은 희소하고 고차원인 시스템에 대해 종종 너무 제한적입니다.
• 실무자는 실험 설계에 의해 유도된 가시 부분공간에 상대적인 기계론적 결론을 해석해야 합니다.
• 훈련 데이터에 모델이 얼마나 잘 적합하든, 가시 부분공간 외부의 동역학에 대한 어떤 주장도 근거가 없습니다.
• 제안된 대수적 기준은 실무자가 실험을 수행하기 전이나 후에 식별 작업의 "인식론적 불확실성 (epistemic uncertainty)"을 정량화할 수 있게 합니다.

이 작업은 새로운 추정 알고리즘을 제안하는 것이 아니라, 기존 방법의 한계와 실험 데이터의 근본적인 정보 내용을 이해하기 위한 이론적 렌즈를 제공합니다.