🌀 nonlinear sciences

Nonlinear port-Hamiltonian system identification from input-state-output data (ISO-pHNN)

Dit artikel presenteert ISO-pHNN, een framework dat neurale netwerken aanwendt om nietlineaire port-Hamiltoniaanse systemen te identificeren op basis van input-toestand-output data, waarbij wordt aangetoond dat het afdwingen van de fysieke structuur van het systeem de nauwkeurigheid behoudt terwijl de langetermijnvoorspellende vermogens worden verbeterd.

Oorspronkelijke auteurs: Karim Cherifi, Achraf El Messaoudi, Hannes Gernandt, Marco Roschkowski

Gepubliceerd 2026-08-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Karim Cherifi, Achraf El Messaoudi, Hannes Gernandt, Marco Roschkowski

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te begrijpen hoe een complexe machine werkt, zoals een automotor of een weersysteem, zonder ooit de blauwdrukken te hebben gezien. Wetenschappers vertrouwen vaak op wiskundige modellen om het gedrag van dergelijke systemen te voorspellen, maar het creëren van die modellen vanaf nul kan ongelooflijk moeilijk zijn, vooral wanneer de regels die het systeem beheersen ingewikkeld zijn of het systeem zelf een bedrijfsgeheim is. Decennialang hebben onderzoekers twee hoofdbenaderingen gebruikt om dit puzzelstuk op te lossen. De ene leunt op pure natuurkunde, waarbij modellen worden gebouwd op basis van fundamentele natuurwetten, wat betrouwbaar is maar moeilijk af te leiden voor rommelige, echte objecten. De andere leunt op data, waarbij computerprogramma's patronen zoeken in geregistreerde metingen, wat flexibel is maar vaak faalt bij het voorspellen van wat er gebeurt buiten de specifieke condities waarop het is getraind. De uitdaging is geweest om het beste van beide werelden te combineren: een model dat leert van data, maar nog steeds de onbreekbare natuurwetten respecteert die energie en beweging beheersen.

Een team van onderzoekers heeft een nieuwe methode ontwikkeld genaamd ISO-pHNN om deze kloof te overbruggen. Ze richtten zich op een specifiek type fysisch systeem dat bekend staat als een port-Hamiltoniaans systeem. In eenvoudige bewoordingen zijn dit systemen waarbij energie instroomt, rond beweegt en wordt gedissipeerd, vergelijkbaar met water dat door een netwerk van pijpen, pompen en lekken stroomt. Het "port"-gedeelte verwijst naar hoe het systeem met de buitenwereld verbindt, waardoor energie kan binnenkomen of het systeem kan verlaten. Het "Hamiltonian"-gedeelte is een wiskundige manier om de totale energie te beschrijven die binnen het systeem is opgeslagen. Deze modellen zijn gewaardeerd omdat ze van nature belangrijke fysieke eigenschappen behouden, zoals het behoud van energie, wat ze stabiel en betrouwbaar maakt voor langetermijnvoorspellingen. De onderzoekers wilden zien of ze kunstmatige intelligentie konden gebruiken om de verborgen regels van deze systemen te ontdekken door simpelweg te kijken naar hoe ze reageren op inputs, zonder dat ze de vergelijkingen vooraf hoeven te kennen.

Om dit te doen, creëerde het team een framework dat het systeem behandelt als een verzameling van vier afzonderlijke onderdelen: de verbindingen die energie rondbewegen, de onderdelen die energie verliezen door wrijving of weerstand, de totale opgeslagen energie, en de manier waarop externe krachten in het systeem duwen. In plaats van te proberen het hele systeem in één keer te raden, gebruikten ze neurale netwerken — computerprogramma's die zijn ontworpen om complexe patronen te leren — om elk van deze vier onderdelen afzonderlijk te achterhalen. Ze voedden de computer stromen van data die lieten zien hoe de toestand van het systeem in de loop van de tijd veranderde als reactie op verschillende inputs. De computer paste vervolgens zijn interne instellingen aan om het waargenomen gedrag te matchen, terwijl hij strikt vasthield aan de regels van de port-Hamiltoniaanse structuur. Dit zorgde ervoor dat het resulterende model de data niet alleen imiteerde, maar zich ook daadwerkelijk gedroeg als een fysisch systeem dat de wetten van de thermodynamica volgt.

De onderzoekers testten hun methode op verschillende scenario's, waaronder een systeem van massa's verbonden door veren en dempers, een bal die door een magnetisch veld wordt zwevend gehouden, en een complexe elektromotor. In elk geval vergeleken ze hun nieuwe benadering met standaard datagestuurde modellen die de fysische structuur negeerden. De resultaten toonden aan dat hun methode even nauwkeurig, zo niet beter, was in het voorspellen van het toekomstige gedrag van het systeem. Cruciaal was dat het toevoegen van wat zij "prior information" noemen, de modellen nog krachtiger maakte. Als de onderzoekers al wisten dat een specifiek deel van het systeem, zoals de wrijving of de manier waarop energie binnenkomt, constant was of een eenvoudige regel volgde, konden ze dat deel in het model vastzetten en de computer alleen de onbekende delen laten leren. Dit verbeterde niet alleen de nauwkeurigheid van de voorspellingen, maar maakte de modellen ook betrouwbaarder over langere perioden, waardoor fouten die vaak binnensluipen wanneer machines te veel proberen te raden, werden verminderd.

Een van de meest interessante bevindingen was dat het type neuraal netwerk dat werd gebruikt, uitmaakte afhankelijk van het systeem. Voor sommige systemen werkten de standaard netwerken het best, terwijl voor andere een nieuwer type netwerk, ontworpen om complexe wiskundige functies te verwerken, aanzienlijk beter presteerde. Dit suggereert dat er niet één enkel "beste" instrument is voor elke taak; in plaats daarvan hangt de juiste keuze af van de specifieke aard van het systeem dat wordt bestudeerd. Het team heeft ook aangetoond dat hun methode kan omgaan met ruisige data, waarbij de metingen kleine fouten bevatten, zonder het vermogen te verliezen om het gedrag van het systeem correct te voorspellen. Deze robuustheid is essentieel voor real-world toepassingen waar sensoren nooit perfect zijn.

Uiteindelijk bewijst dit werk dat het mogelijk is om kunstmatige intelligentie te leren de diepe, structurele regels van fysische systemen te begrijpen zonder nauwkeurigheid op te offeren voor structuur. Door de flexibiliteit van datagestuurd leren te combineren met de betrouwbaarheid van natuurwetten, hebben de onderzoekers een hulpmiddel gecreëerd dat de verborgen dynamiek van complexe machines kan ontdekken. Deze benadering biedt een veelbelovend pad voor ingenieurs en wetenschappers die systemen moeten modelleren die te ingewikkeld zijn om met de hand op te schrijven, maar te kritisch om fouten te maken. Het vermogen om deze modellen te leren van input- en outputdata betekent dat zelfs systemen zonder beschikbare blauwdrukken begrepen, gesimuleerd en gecontroleerd kunnen worden met een hoge mate van vertrouwen.

Technische Samenvatting: ISO-pHNN voor Nietlineaire Port-Hamiltoniaanse Systeemidentificatie

Probleemstelling

Fysica-gebaseerde modellen, met name die gebaseerd op fundamentele wetten, bieden superieure interpreteerbaarheid en stabiliteitsgaranties voor dynamische systemen. Het afleiden van dergelijke modellen voor complexe, propriëtaire of hoogdimensionale systemen is echter vaak onhandelbaar. Hoewel puur datagedreven methoden flexibiliteit bieden, lijden ze vaak aan een gebrekkige generaliseerbaarheid en een gebrek aan fysieke consistentie (bijv. energiebehoud) buiten hun trainingsbereik.

Bestaande benaderingen voor het identificeren van Port-Hamiltoniaanse (pH) systemen hebben zich grotendeels gericht op lineaire dynamica of hebben alleen gedeeltelijk aandacht besteed aan nietlineariteiten door specifieke componenten (zoals de Hamiltonian) te benaderen terwijl anderen vaststaan. Bovendien zijn veel huidige leer-gebaseerde methoden afgestemd op specifieke architecturale keuzes of vaste structurele aannames, en missen ze een verenigd kader om variërende gradaties van voorkennis systematisch te incorporeren. Dit artikel adresseert de kloof in het identificeren van nietlineaire port-Hamiltoniaanse systemen vanuit input-state-output (ISO) data, met als doel structuren-behoudende modellen te herstellen die fysieke eigenschappen zoals passiviteit en energiebehoud handhaven terwijl ze gebruikmaken van de benaderingskracht van neurale netwerken.

Methodologie: Het ISO-pHNN Framework

De auteurs stellen ISO-pHNN voor, een verenigd framework dat de constituerende componenten van een nietlineair pH-systeem gelijktijdig leert met behulp van neurale netwerken. Het doelsysteem wordt gedefinieerd door de standaard pH-vergelijkingen:
$\dot{x} = (J(x) - R(x)) \nabla H(x) + B(x)u, \quad y = B(x)^\top \nabla H(x)$
waarbij $J(x)$ antisymmetrisch is (interconnectie), $R(x)$ symmetrisch positief semi-definiet is (dissipatie), $H(x)$ de Hamiltonian is (energie), en $B(x)$ de inputmatrix is.

1. Structuur-behoudende Parametrisatie

Om ervoor te zorgen dat de geleerde modellen strikt voldoen aan de pH-structurele beperkingen, maakt het framework gebruik van specifieke vormveranderingsoperaties en parametrisatieschema's:

Matrixconstructie: De parameterfuncties $\theta_J, \theta_R, \theta_B, \theta_H$ $θ_{J}, θ_{R}, θ_{B}, θ_{H}$ worden gemapt naar matrix-waardige functies met behulp van een vector-naar-matrix vormveranderingsoperatie ($vtf$).
- $J(x)$ wordt geconstrueerd als het verschil tussen een hervormde vector en zijn getransponeerde, wat antisymmetrie garandeert.
- $R(x)$ wordt geconstrueerd via een product van een hervormde vector en zijn getransponeerde (geschaald door $1/\sqrt{n}$ ), wat symmetrie en positieve semi-definitie garandeert.
- $B(x)$ en $H(x)$ worden direct gemapt van hun parametervectoren.
Neurale Architecturen: De parameterfuncties worden benaderd met behulp van ofwel Multilayer Perceptrons (MLP's) of Kolmogorov-Arnold Networks (KAN's).
- MLP's: Standaard volledig verbonden netwerken met Swish-activatiefuncties (gekozen vanwege de differentieerbaarheid die vereist is voor de gradiënt van de Hamiltonian).
- KAN's: Netwerken waarbij leerbare univariante functies op de randen zijn geplaatst, geïnspireerd door het Kolmogorov-Arnold representatietheorema. Dit maakt potentieel meer interpreteerbare geleerde dynamica mogelijk.

2. Incorporatie van Voorkennis

Een kernkenmerk van ISO-pHNN is de flexibele integratie van voorkennis over de fysica. Het framework stelt gebruikers in staat om "ansatz-functies" te specificeren voor elke subset van de systeemcomponenten ( $J, R, H, B$ ).

Als een component bekend is (bijv. $J$ en $B$ zijn constant vanuit eerste principes), kan deze worden vastgezet of geparametriseerd als een constante matrix.
Als een component bekend is als kwadratisch (bijv. een standaard mechanische Hamiltonian), kan deze worden beperkt tot een kwadratische vorm.
Deze selectieve parametrisatie vermindert de modelcomplexiteit, verbetert de data-efficiëntie en beperkt het leerproces tot fysiek betekenisvolle oplossingen.

3. Training en Verliesfunctie

Het systeem wordt getraind op input-state-output trajecten.

Datageneratie: Trajecten worden gegenereerd met behulp van diverse begincondities en sinusoïdale inputsignalen.
Verliesfunctie: Het doel is het minimaliseren van de genormaliseerde gemiddelde absolute fout (NMAE) tussen de voorspelde en de ware toestandsafgeleiden ( $\dot{x}$ ) en outputs ( $y$ ). De loss wordt gewogen door de standaarddeviatie van de targets binnen de minibatch om variërende groottes te behandelen. Een gewicht $\gamma$ balanceert het belang van de voorspelling van de toestandsafgeleide versus de outputvoorspelling, waarbij $\gamma=0.25$ doorgaans wordt gebruikt om de nauwkeurigheid van langetermijnvoorspellingen te prioriteren.
Optimalisatie: De AdamW-optimizer met cosine annealing learning rate scheduling wordt gebruikt.

Belangrijkste Bijdragen

Verenigd Framework: De voorstel van ISO-pHNN, een flexibel framework dat in staat is om alle pH-componenten ( $J, R, H, B$ ) gelijktijdig te leren van ISO-data.
Fysica-geïnformeerde Priors: De introductie van een mechanisme om gedeeltelijke of volledige voorkennis (bijv. constante matrices, kwadratische Hamiltonians) in de neurale netwerkparametrisatie te integreren, wat de trainingsefficiëntie en nauwkeurigheid verhoogt.
Architecturale Exploratie: De systematische vergelijking van MLP's en KAN's voor pH-systeemidentificatie, waarbij hun respectievelijke sterktes bij het modelleren van verschillende typen nietlineariteiten worden beoordeeld.
Validatie van Structuur: Demonstratie dat het afdwingen van pH-structurele beperkingen de identificatienauwkeurigheid niet verslechtert en, wanneer gecombineerd met priors, de fouten bij langetermijnvoorspellingen aanzienlijk vermindert.

Experimentele Resultaten

Het framework werd gevalideerd op drie verschillende nietlineaire systemen:

Massa-Veer-Demper Systeem:
- Kenmerkt zich door nietlineaire demping ( $R$ ) en een kwadratische Hamiltonian.
- Resultaten: Het pH-model presteerde iets beter dan een black-box baseline. Het incorporeren van priors (het vastzetten van $J, B$ en het aannemen van een kwadratische $H$ ) leverde de laagste fout op. In deze lage-frequentie setting presteerden MLP's beter dan KAN's.
Magnetisch Zwevend Bal:
- Kenmerkt zich door een niet-kwadratische Hamiltonian en staat-afhankelijke dissipatie.
- Resultaten: Het standaard pH-model presteerde beter dan de baseline. Voorkennis leverde in dit specifieke geval geen significante verbeteringen op. MLP's en KAN's bereikten vergelijkbare nauwkeurigheid.
Permanent Magnet Synchronous Motor (PMSM):
- Kenmerkt zich door staat-afhankelijke interconnectie ( $J$ ) en een kwadratische Hamiltonian.
- Resultaten: Het pH-model presteerde aanzienlijk beter dan de baseline. Cruciaal was dat KAN's aanzienlijk beter presteerden dan MLP's in deze hoge-frequentie setting, wat suggereert dat de geschiktheid van de architectuur afhangt van de spectrale kenmerken van het systeem.
- Prior Sensitiviteit: Het gebruiken van "foutieve" priors (bijv. het aannemen van een lineaire $J$ wanneer deze nietlineair is) leidde tot een significante degradatie van de prestaties, wat het belang van accurate voorkennis onderstreept.
- Robuustheid: De methode demonstreerde robuustheid tegen ruis, waarbij de prestaties geleidelijk afnamen naarmate de Signal-to-Noise Ratio (SNR) lager werd.

Betekenis en Claims

Het artikel claimt dat ISO-pHNN een robuuste, structuur-behoudende benadering biedt voor het identificeren van nietlineaire dynamische systemen. De auteurs benadrukken dat:

Fysieke Integriteit: Het afdwingen van pH-beperkingen verlaagt de nauwkeurigheid niet ten opzichte van black-box modellen; in plaats daarvan zorgt het ervoor dat het model de natuurwetten (passiviteit, energiebehoud) respecteert.
Data-efficiëntie: Het incorporeren van voorkennis (wanneer beschikbaar) vermindert de identificatiefout aanzienlijk en verbetert de langetermijnvoorspellende capaciteiten.
Flexibiliteit: Het framework is niet gebonden aan één enkele neurale architectuur; de keuze tussen MLP's en KAN's moet worden gestuurd door de specifieke kenmerken van het systeem (bijv. frequentiegehalte).
Praktische Bruikbaarheid: De methode slaagt erin om systeemcomponenten te herstellen en kan met ruisige data omgaan, wat het geschikt maakt voor toepassingen waar expliciete vergelijkingen niet beschikbaar zijn maar simulatie- of meetgegevens wel aanwezig zijn.

De auteurs concluderen dat hoewel de methode momenteel afhankelijk is van toestandsafgeleiden (vaak geschat uit data), toekomstig werk zich zal richten op het verwijderen van deze afhankelijkheid en het toepassen van het framework op systemen die afgeleid zijn van partiële differentiaalvergelijkingen en input-output-only data.