기술 요약: 오토인코더를 통한 제어 아핀 차수 축소 모델 학습

문제 정의

본 논문은 편미분 방정식(PDE) 또는 복잡한 시뮬레이션에 의해 지배되는 고차원 비선형 동역학 시스템을 위한 차수 축소 모델(Reduced-Order Models, ROM)을 식별하는 과제를 다룹다. 전통적인 투영 기반 방법(예: POD-Galerkin)은 지배 방정식에 대한 명시적인 지식을 필요로 하며, 이는 데이터 기반 시나리오에서는 가용한 경우가 많지 않다. 오토인코더(Autoencoders, AEs)를 사용하는 딥러닝 접근 방식은 저차원 잠재 매니폴드(Latent Manifolds)를 성공적으로 식별해 왔으나, 결과적으로 도출된 잠재 동역학은 구조화되지 않았거나, 복잡하거나, 혹은 순수하게 선형적인 경우가 많다.

특정한 한계는 이러한 모델이 제어 애플리케이션에 사용될 때 발생한다. 순수 선형 잠재 동역학은 복잡한 비선형 동작을 포착하지 못할 수 있는 반면, 일반적인 비선형 잠재 동역학은 효율적인 제어 설계(예: 피드백 선형화)에 필요한 구조적 특성을 결여하는 경우가 많다. 저자들은 기존의 데이터 기반 ROM에서 발생하는 격차를 식별하였다: 즉, 잠재 동역학에 제어 아핀(Control-affine) 구조를 강제하여, 비선형 모델링 능력과 제어에 필요한 해석적 용이성 사이의 균형을 맞추는 프레임워크의 부재이다.

방법론

1. 제어 아핀 잠재 동역학

핵심 기여는 다음과 같은 이산 시간 제어 아핀 구조를 따르는 잠재 표현 $z_k \in \mathbb{R}^r$를 학습하는 프레임워크이다:
$$z_{k+1} = a_{\phi_1}(z_k) + B_{\phi_2}(z_k) \cdot u_k$$
여기서 $a_{\phi_1}$은 자율 동역학을 나타내는 "드리프트(Drift)" 네트워크이며, $B_{\phi_2}$는 제어 입력 $u_k$와 아핀 방식으로 상호작용하는 "입력(Input)" 네트워크이다. 이 구조는 로보틱스, 화학 반응기 등 많은 물리 시스템과 일치하며, 피드백 선형화의 적용을 가능하게 한다.

2. 공동 학습 전략 (Joint Training Strategy)

오토인코더 학습과 동역학 학습을 분리하는 일반적인 방식과 달리, 본 방법은 다목적 손실 함수를 사용하여 인코더($E_\theta$), 디코더($D_\phi$), 그리고 잠재 동역학 모델($G_\phi$)을 동시에 최적화하는 전략을 채택한다:
$$L = \gamma_1 L_{AE} + \gamma_2 L_{lat-cons} + \gamma_3 L_{dyn}$$

• $L_{AE}$: 고차원 상태의 재구성 오차(Reconstruction error).
• $L_{lat-cons}$: 잠재 동역학이 인코딩된 미래 상태($E_\theta(x_{k+l})$)를 정확하게 예측하도록 보장하는 일관성 손실(Consistency loss). 이 항은 잠재 공간의 동역학이 실제 값(Ground truth)과 일치하도록 보장하여, 디코더가 부실한 잠재 동역학을 보완하기 위해 이를 상쇄하는 것을 방지하는 데 매우 중요하다.
• $L_{dyn}$: 고차원 공간에서의 엔드 투 엔드(End-to-end) 오차.

또한, 본 프레임워크는 고차원 제어 입력(예: 분포된 경계장)을 잠재 입력 벡터 $u'_k$로 압축하는 **입력 오토인코더(Input autoencoders)**를 지원하여, 제어 아핀 구조가 고차원 구동(Actuation)을 처리할 수 있도록 한다.

3. 시퀀스 기반 정식화 (Sequence-Based Formulation)

제어 아핀 구조를 희생하지 않으면서 예측 정확도를 향상시키기 위해, 저자들은 모델이 시퀀스 상에서 작동하도록 확장하였다. 잠재 상태와 입력의 이력을 포함하는 확장 상태 벡터 $\xi_k$가 구성된다. 그 후 동역학은 다음과 같이 모델링된다:
$$\xi_{k+1} = \alpha(\xi_k) + \beta(\xi_k) \cdot u_k$$
여기서 $\alpha$는 메모리를 위한 선형 이동 연산자와 비선형 드리프트 항을 포함하며, $\beta$는 제어 입력을 적용한다. 이 정식화는 제어 아핀 특성을 유지하면서도 시간 지연 효과와 이력 의존성을 포착할 수 있게 한다.

4. 피드백 선형화 (Feedback Linearization)

본 논문은 학습된 ROM에 피드백 선형화를 적용하기 위한 가이드라인을 제공한다.

• 전체 상태 선형화 (Full-State Linearization): 표준 모델의 경우, 입력 행렬 $B_{\phi_2}(z_k)$가 완전 행 계수(Full row rank, $r \leq m$)를 가지면, 비선형 동역학을 선형 시스템 $z_{k+1} = \bar{A}z_k + \bar{B}v_k$로 변환하는 피드백 법칙을 도출할 수 있다.
• 입출력 선형화 (Input-Output Linearization): 시퀀스 기반 모델의 경우, 메모리 버퍼로 인해 전체 상태 선형화는 구조적으로 불가능하다. 그러나 저자들은 현재의 잠재 상태를 출력으로 간주할 경우, 확장된 시스템의 입력 행렬이 완전 계수를 가진다면 정확한 입출력 선형화가 가능하다는 것을 증명하였다. 이를 통해 잠재 공간에서 표준 선형 제어기(예: PID, LQR)를 사용할 수 있다.

주요 기여

1. 제어 아핀 ROM 프레임워크: 비선형 모델링의 표현력과 제어 이론적 용이성 사이의 간극을 메우는, 잠재 동역학에 제어 아핀 구조를 강제하는 새로운 데이터 기반 방법론을 제시하였다.
2. 공동 최적화: 좌표 변환(AE)과 구조화된 동역학을 동시에 학습하여, 잠재 공간이 제어 아핀 가정을 충족하도록 보장하는 학습 전략을 제안하였다.
3. 시퀀스 기반 확장: 상태 및 입력 이력을 처리할 수 있도록 제어 아핀 모델을 확장하여, 아핀 구조를 유지하면서도 예측 정확도를 개선하였다.
   ک
4. 제어를 위한 이론적 보장: 학습된 ROM이 피드백을 통해 정확하게 선형화될 수 있는 조건을 설정하는 공식적인 명제를 제시하여, 비선형 차수 축소 모델에 선형 제어 기법을 사용할 수 있음을 입증하였다.
5. 오픈 소스 구현: 엔드 투 엔드 학습 프레임워크를 구현한 파이썬 패키지 DeepE2EROM을 공개하였다.

실험 결과

본 프레임워크는 두 가지 수치 예제를 통해 평가되었다:

1. 1차원 열 방정식 (One-Dimensional Heat Equation)

• 설정: 상태는 온도장이고 입력은 공간적으로 분포된 열원인 분포 제어 문제이다. 상태와 입력 모두 고차원이다.
• 성능: 제어 아핀 ROM은 선형 잠재 동역학을 가진 베이스라인 ROM보다 성능이 월등히 뛰어났다. 이 모델은 엔드 투 엔드 RMSE를 2배 감소시켰으며, 잠재 동역학의 정확도 측면에서도 더욱 뚜렷한 개선을 보였다.
• 제어: 피드백 선형화와 PID 제어기를 결합하여 참조 온도 궤적을 추적하는 데 성공하였다. 제어기는 시스템을 유도하기 위해 필요한 분포 열 입력을 성공적으로 생성하였다.

2. 박스 안의 공 (Boxed Ball, 2D 시뮬레이션)

• 설정: 경계 근처의 강력한 비선형 반발력이 존재하는 단위 박스 내에서 움직이는 공을 64x64 카메라 프레임을 통해 관찰하였다.
• 성능: 제어 아핀 ROM은 강제(구동) 및 자율 설정 모두에서 선형 베이스라인보다 우수한 성능을 보였다. 강제 설정에서 베이스라인 대비 엔드 투 엔드 RMSE는 약 절반, 잠재 오차는 약 1/3 수준으로 낮췄다.
• 자율 동역학: 명시적인 자율 궤적 학습 없이도, 모델은 시스템의 평형점을 정확하게 식별하였다.
• 제어: 선형화된 잠재 동역학에 비례 제어기를 적용하여 원형 궤적 추적을 수행하였다.

의의 및 주장

본 논문은 잠재 동역학에 제어 아핀 구조를 강제하는 것이 "강력한 절충안(Powerful compromise)"을 제공한다고 주장한다. 이는 정확한 비선형 모델링 능력을 유지하면서도, 적절한 좌표 변환 후 잘 확립된 선형 제어 기법(피드백 선형화를 통해)을 사용할 수 있게 한다.

저자들은 선형 잠재 동역학(종종 코프만 연산자 이론과 연결됨)이 인기 있지만, 복잡한 비선형 시스템에는 불충분할 수 있다고 강조한다. 반대로, 일반적인 비선형 잠재 모델은 해석력과 제어 용이성이 부족한 경우가 많다. 제안된 제어 아핀 접근 방식은 동역학은 상태에 대해 비선형이지만 제어 입력에 대해서는 아핀인 광범위한 공학 시스템의 특성과 자연스럽게 일치함으로써 이러한 한계를 해결한다.

본 연구의 범위는 다소 제한적일 수 있음을 언급한다. 전체 상태 피드백 선형화는 잠재 차원이 입력 수보다 작거나 같아야 한다는 조건($r \leq m$)을 필요로 하는데, 이는 구동기가 적은 시스템에서는 제약이 될 수 있다. 이러한 경우 저자들은 부분 피드백 선형화(Partial feedback linearization)만 가능하다는 점을 인정하며, 향후 연구에서 잠재 공간을 제어 가능한 부분 공간과 제어 불가능한 부분 공간으로 분해하여 이를 해결할 것을 제안하였다.

결론적으로, PDE 기반 및 이미지 기반 시스템 모두에서 검증된 본 프레임워크는 데이터로부터 고차원 비선형 시스템을 위한 제어기를 설계하기 위한 견고한 토대를 제공한다.