Approximate Feedback Linearization for a Nonlinear Hyperbolic PDE Class -- Part II: Neural Operator

기술 요약: 비선형 쌍곡형 PDE 클래스에 대한 근사 피드백 선형화: 제2부 — 뉴럴 오퍼레이터

문제 정의
본 논문은 비선형 쌍곡형 편미분 방정식(PDE) 클래스에 대해 정확한 피드백 선형화를 구현하는 데 따르는 계산적 불가능성을 다룬다. 본 연구의 제1부에서는 볼테라 급수(Volterra series) 피드백 선형화의 유한 차수 절단(finite-order truncation)이 폐루프 안정성을 제공함을 입증하였으나, 결과적으로 도출된 제어기는 실시간 적용을 위해 계산 비용이 지나치게 높다. 구체적으로, 절단된 제어기를 평가하기 위해서는 다음의 과정이 필요하다:

1. 피드백 커널을 생성하기 위해 성장하는 심플렉스(simplex) 상에서 $N-1$개의 플랜트 특이 선형 커널 PDE를 해결하는 "타워(tower)" 구조의 연산.
2. 매 제어 업데이트마다 사전 계산된 이 커널들에 대해 $N$중 중첩 적분을 수행하는 연산.

이러한 연산들은 "플랜트 특이적(plant-specific)"이다. 즉, 플랜트의 비선형성 $F$가 변경될 때마다 커널 PDE를 처음부터 다시 풀어야 한다. 본 논문은 명시적이고 계산 집약적인 절단 제어기를 학습된 뉴럴 오퍼레이터 대리 모델(surrogate)로 대체하여, 온라인 커널 솔빙과 중첩 적분을 제거하는 방안을 제안한다.

방법론
핵심 방법론은 플랜트의 비선형 계수와 시스템 상태로부터 경계 제어 입력으로의 매핑을 직접 학습함으로써, 커널 PDE를 푸는 중간 단계를 우회하는 것이다.

1. 결합 리프시츠 연속성(Joint Lipschitz Continuity): 저자들은 먼저 절단된 볼테라 피드백 연산자 $U_N(f_N, u)$가 플랜트 계수 $f_N$(비선형성의 볼테라 커널)과 상태 $u$ 모두에 대해 결합 리프시츠 연속임을 입증하였다. 이는 연산자가 컴팩트 집합 위에서 연속임을 보장하며, 보편 근사(universal approximation)를 위한 전제 조건을 충족시키는 중요한 이론적 단계이다.
2. 뉴럴 오퍼레이터 대리 모델: 리프시츠 성질을 활용하여, 본 논문은 $U_N$을 근사하기 위해 뉴럴 오퍼레이터(구체적으로 MIONet 아키텍처)를 채택한다. 네트워크는 플랜트 계수와 상태 쌍을 정확한 절단 제어 값으로 매핑하는 데이터셋을 통해 학습된다. 일단 학습되면, 뉴럴 오퍼터 $\hat{U}_N$은 $(f_N, u)$를 입력으로 받아 단 한 번의 순방향 패스(forward pass)로 제어 $U(t)$를 출력하는 직접적인 대리 모델 역할을 수행한다.
3. 폐루프 분석: 이 대리 모델 피드백 하에서의 폐루프 시스템 안정성을 분석한다. 대상 수송 방정식을 구동하는 경계 잔차(boundary residual)는 두 가지 성분, 즉 절단 오차(제1부에서 도출됨)와 뉴럴 오퍼레이터 근사 오차($\epsilon$)로 구성됨을 보인다.

주요 기여
본 논문은 세 가지 주요 이론적 및 실무적 기여를 한다:

• 리프시츠 연속성 결과: 절단된 볼테라 피드백 연산자가 플랜트 계수와 상태의 유계 집합 위에서 국소 리프시츠 연속임을 증명하였다. 이 결과는 후속 근사 보장을 위한 수학적 토대가 된다.
• 뉴럴 대리 모델의 존재성: 플랜트와 상태의 유계 집합 상에서 임의의 지정된 sup-norm 정확도를 달성할 수 있는 뉴럴 오퍼레이터 근사 $\hat{U}_N$의 존재성을 확립하였으며, 이는 커널 PDE 솔빙과 중첩 적분을 하나의 학습된 매핑으로 효과적으로 통합한다.
• 실용적 안정성 정리: 뉴럴 오퍼레이터 피드백 하에서의 폐루프 시스템이 제1부에서 확립된 네 가지 안정성 속성(전방 불변성, 실용적 안정성, 유한 시간 끌림성, class-$KL$ 점근적 추정)을 유지함을 증명한다. 결정적으로, 점근적 엔벨로프(asymptotic envelope)는 $\|u(\cdot, t)\|_\infty \leq \beta(\|u_0\|_\infty, t) + \gamma(\epsilon)$의 형태를 띠며, 잔차 구(residual ball)는 훈련 정확도 $\epsilon$에 선형적으로 비례하여 스케일링됨을 보인다.

결과
본 논문은 절단 차수 $N=3$에서 수치 실험을 통해 프레임워크를 검증한다:

• 안정화: 학습된 제어기는 개루프에서 불안정한 비선형 쌍곡형 플랜트를 성공적으로 안정화한다.
• 강건성: 특정 분포의 플랜트 파라미터로 학습된 대리 모델은 재학습 없이도 미학습 플랜트(다른 비선형 파라미터)와 다양한 초기 조건을 안정화한다.
• 절단 vs 근사: 결과는 뉴럴 오퍼레이터가 근사 오차 $\epsilon$(결과적으로 $\sim 10^{-3}$의 잔차 하한 발생)을 도입함에도 불구하고, 큰 비선형 계수로 인해 낮은 차수의 절단(예: $N=2$)이 실패하는 영역에서도 안정성을 유지함을 보여준다.
• 계산 효율성: 가장 중요한 실무적 결과는 계산 속도의 향상이다. 고전적인 $N=3$ 제어기 구현은 커널 PDE와 중첩 적분을 해결해야 하므로 평가당 약 3.95초가 소fa요된다. 반면, 학습된 뉴럴 오퍼레이터는 동일한 제어 법칙을 약 1밀리초 만에 평가하며, 이는 약 4,000배의 속도 향상을 의미한다.

의의 및 주장
본 논문은 제1부에서 소개된 이론적 프레임워크의 실질적인 구현을 위치시킨다. 제1부가 절단(truncation)을 통해 제어기를 "원리적으로 구현 가능"하게 만들었다면, 본 연구는 이를 "플랜트 클래스당 한 번의 학습으로 실무적으로 구현 가능"하게 만든다.

저자들은 직접 연산자를 학습함으로써 온라인 커널 솔빙을 제거할 수 있으며, 이것이 비선형 PDE의 실시간 제어를 가로막는 주요 병목 현상이라고 주장한다. 본 연구의 의의는 이러한 근사가 안정성을 희생하지 않는다는 엄격한 증명에 있다. 시스템은 잔차 오차가 훈련 정확도 $\epsilon$에 선형적으로 비례하는 실용적 안정성을 유지한다. 훈련 정확도가 0에 가까워짐에 따라, 정확한 절단 모델(그리고 궁극적으로 정확한 무한 볼테라 선형화 모델)의 거동이 회복된다.