Data-driven approximation of regions of attraction via an LP-based selection of PWA Lyapunov functions

기술 요약: LP 기반 PWA Lyapunov 함수 선택을 통한 데이터 기반 끌림 영역 (RoA) 근사

문제 공식화
본 논문은 미지 벡터장 $\dot{x} = f(x)$ 를 갖는 비선형 동역학 시스템의 안정성 인증 및 끌림 영역 (Region of Attraction, RoA) 근사라는 과제를 다룹니다. 전통적인 안정성 분석은 명시적인 수학적 모델에 의존하는데, 이는 복잡한 비선형 시스템의 경우 종종 구할 수 없습니다. 데이터 기반 방법이 존재하지만, 많은 방법들 (예: 신경망 기반 접근법) 은 명시적인 강건성 보장을 제공하지 않으며, 다른 방법들 (예: 합제곱, Sum-of-Squares) 은 완전한 데이터 기반 적용 가능성을 제한할 수 있는 구조적 가정에 의존합니다.

목표는 벡터장의 점별 평가 (데이터) 와 알려진 Lipschitz 연속성 경계만을 사용하여 인증된 RoA 를 구성하는 것입니다. 본 문제는 다음을 가정합니다:

1. 국소 점근적으로 안정한 유일한 평형점 (원점을 기준으로 함) 이 존재함.
2. 벡터장 $f$는 성분별 상한 $M$을 가진 알려진 Lipschitz 연속성을 가짐.
3. 시뮬레이션 또는 측정을 통해 데이터셋 $D_{N_d} = \{(x_i, f_i)\}$이 이용 가능함.
4. 평형점을 포함하는 작은 안전한 다면체 집합 $A$가 존재함.

방법론
제안된 프레임워크는 불확실성 특성화, 상태 공간 테셀레이션, 그리고 선형 계획법 (LP) 을 통한 Lyapunov 후보 합성의 세 가지 주요 단계로 진행됩니다.

1. 불확실성 집합 구성:
   Lipschitz 연속성 가정과 이용 가능한 데이터를 바탕으로, 저자들은 데이터와 일관된 모든 허용 가능한 벡터장을 나타내는 다면체 불확실성 집합 $F_{D_{N_d}}$를 구성합니다.

   • 각 데이터 포인트 $(x_i, f_i)$에 대해, Lipschitz 제약 조건 $|f(x) - f_i| \leq M\|x - x_i\|_\infty$는 허용 가능한 값들의 집합을 정의합니다.
   • 이 제약 조건은 $\mathbb{R}^{n+1}$ (상태 및 벡터장 값) 에서 다면체 원뿔들의 합집합으로 재형식화됩니다.
   • 전역 불확실성 집합은 모든 데이터 포인트에 대한 이러한 집합들의 교집합입니다.
   • 결정적으로, 임의의 상태 $x$에 대해 허용 가능한 벡터장 값들의 집합 $F(x)$는 초직육면체 (구간의 데카르트 곱) 를 형성합니다. 이 집합값 사상은 시스템 동역학을 미분 포함식 $\dot{x} \in F(x)$로 기술할 수 있게 합니다.

2. 상태 공간 테셀레이션 및 PWA 후보:
   상태 공간 $X$는 다면체 테셀레이션 $\{Y_j\}$로 분할됩니다. 이 테셀레이션의 꼭짓점들은 불확실성 집합 $F(x)$의 그래프 꼭짓점들을 상태 공간으로 투영하여 유도됩니다. 이는 분할이 불확실성의 기하학적 구조와 정렬되도록 보장합니다.
   이 분할 위에 연속 조각별 아핀 (Continuous Piecewise Affine, PWA) Lyapunov 후보 $V(x)$가 정의됩니다:
   $$V(x) = a_j^T x + b_j, \quad \forall x \in Y_j$$
   계수 $(a_j, b_j)$는 결정되어야 할 결정 변수들입니다.

3. LP 기반 합성:
   저자들은 $V(x)$가 $F(x)$ 내의 모든 허용 가능한 동역학에 대해 Lyapunov 조건을 만족하도록 계수 $(a_j, b_j)$를 선택하는 선형 계획법 (LP) 을 공식화합니다.

   • 양수성과 연속성: 테셀레이션 꼭짓점과 셀 경계를 따라 선형 제약 조건을 통해 강제됩니다.
   • 감소 조건: 조건 $\nabla V(x)^T f(x) < 0$은 모든 $f(x) \in F(x)$에 대해 성립해야 합니다. $F(x)$가 볼록한 초직육면체이므로, 그 최댓값은 꼭짓점에서 달성됩니다. 따라서, 조건은 초직육면체의 꼭짓점들의 유한 집합 $F_v(x)$에서만 강제됩니다.
   • 완화: 비실현 가능성 (예: 평형점 근처 또는 데이터가 불충분한 경우) 을 처리하기 위해 슬랙 변수가 도입되어 반복적 정제 과정을 가능하게 합니다.

4. 반복 알고리즘:
   반복 알고리즘 (알고리즘 1) 이 제안됩니다:

   • 불확실성 집합을 구성하고 꼭짓점을 추출합니다.
   • LP 를 풉니다.
   • Lyapunov 감소 조건이 만족되지 않거나 (음수가 아닌 슬랙 변수로 표시됨) 불확실성 집합이 0 을 포함하는 경우 (데이터가 불충분함을 나타냄), 문제적인 꼭짓점에 새로운 데이터 포인트를 추가합니다.
   • 유효한 RoA 가 인증되거나 반복 한계에 도달할 때까지 이 과정이 반복됩니다.

주요 기여

• 명시적 불확실성 모델링: 본 논문은 희소 데이터와 Lipschitz 경계로부터 다면체 불확실성 집합을 구성하는 엄밀한 방법을 제공하여, 미지 동역학을 다루기 쉬운 미분 포함식으로 변환합니다.
• LP 기반 인증: 2 차 원뿔 계획법 (SOCP) 이나 신경망에 의존하는 대안적 방법들과 달리, 이 접근법은 불확실성 집합의 초직육면체 구조를 활용하고 조건을 그 꼭짓점들에서만 평가함으로써 안정성 인증을 선형 계획법으로 공식화합니다.
• 관심사의 분리: 본 방법론은 불확실성 특성화와 Lyapunov 합성을 분리합니다. 이 2 단계 접근법은 해석 가능성을 향상시키고 데이터의 정보량에 기반한 반복적 정제를 가능하게 합니다.
• 인증된 RoA 추출: 이 방법은 평형점을 포함하는 연결 성분에 제한된 결과 PWA 함수의 하위 레벨 집합이 데이터와 일관된 유효한 끌림 영역임을 보장합니다.

수치 결과
본 방법은 단순한 감쇠 진자 및 역전 시간 Van der Pol 발진기라는 두 가지 예제에서 검증되었습니다.

• 감쇠 진자: 알고리즘은 4 번의 반복으로 수렴하여, 실제 RoA 의 모양과 일치하는 인증된 RoA 를 성공적으로 추출했습니다. 최적화 시간은 불확실성 경계를 계산하는 데 필요한 데이터 처리 시간에 비해 무시할 수 있었습니다.
• Van der Pol 발진기: 이 방법은 3 번의 반복으로 수렴했습니다. 인증된 RoA 가 성공적으로 식별되었지만, 결과는 Lyapunov 감소 조건이 전역적으로 만족되지 않았음을 (인증된 영역 밖에서 일부 슬랙 변수가 음수가 아니었음) 강조하여, 이용 가능한 데이터로부터 전역 안정성을 증명할 수 없을 때에도 보수적이고 인증된 경계를 제공할 수 있는 방법의 능력을 보여주었습니다.

의의 및 주장
본 논문은 신경망의 "블랙박스" 성질과 다항식 방법의 구조적 가정을 피하는 처리 가능한 완전한 데이터 기반 프레임워크를 안정성 인증의 주요 기여로 주장합니다. 명시적 불확실성 집합과 PWA Lyapunov 함수를 결합함으로써, 이 접근법은 다음을 제공합니다:

1. 강건성: 보장 사항은 샘플링된 점뿐만 아니라 데이터와 Lipschitz 경계와 일관된 모든 동역학에 대해 성립합니다.
2. 계산적 처리 가능성: SOCP 공식화에 비해 LP 의 사용은 문제를 확장 가능하게 만듭니다.
3. 해석 가능성: 불확실성 모델링과 Lyapunov 선택의 분리는 명확한 단계별 인증 과정을 제공합니다.

저자들은 이 연구를 이론적 강건 제어 (미분 포함식) 와 현대적 데이터 기반 제어 사이의 가교로 위치시키며, 시스템의 매개변수 모델 없이 희소 데이터로부터 인증된 안정성 특성을 추출하는 실용적인 도구를 제공합니다.