⚡ electrical engineering

Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems

Dit paper introduceert een nieuw op neurale netwerken gebaseerde methode voor het data-gedreven modelleren van port-Hamiltonische systemen die de inherente structuur en stabiliteit behoudt door de beperking tot convexe Hamiltoniaanse benaderingen los te laten en informatie over stabiele evenwichtspunten te integreren.

Oorspronkelijke auteurs: Binh Nguyen, Nam T. Nguyen, Truong X. Nghiem

Gepubliceerd 2026-04-16

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Binh Nguyen, Nam T. Nguyen, Truong X. Nghiem

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 een heel complex machine hebt, zoals een pendel die zwaait, een elektrisch circuit dat stroomt, of een reeks veren die op en neer springen. In de natuurkunde noemen we dit een Port-Hamiltonian Systeem (PHS). Het belangrijkste kenmerk van zo'n systeem is dat het energie bewaart, verliest (door wrijving) en uitwisselt met de buitenwereld. Het is alsof het systeem een eigen "energie-rekening" heeft die altijd in evenwicht moet blijven.

De uitdaging? Soms weten we niet precies hoe die energie-rekening eruitziet. We hebben alleen maar video-opnames (data) van hoe het systeem beweegt.

Het probleem met de oude methode
Vroeger probeerden computers (neuronale netwerken) deze energie-rekening te leren door te raden. Maar ze hadden een rare regel: ze mochten alleen "bolle" vormen tekenen (wiskundig: convex).

De analogie: Stel je voor dat je een landschap tekent met heuvels en dalen. De oude methode zei: "Je mag alleen één grote, ronde kom tekenen waar alles in naar beneden rolt."
Het nadeel: Veel echte systemen hebben niet één kom, maar meerdere. Denk aan een ketting van pendels die op verschillende manieren kunnen rusten, of een bal die in verschillende kuilen kan vallen. Als je alleen één kom mag tekenen, mis je al die andere rustpunten. Het model wordt dan onnauwkeurig of gedraagt zich raar.

De nieuwe oplossing van deze paper
De auteurs (Nguyen en collega's) hebben een slimme nieuwe manier bedacht om deze energie-rekening te leren, zonder die rare "één kom"-regel.

Vrijheid in vormgeving: Ze hebben een nieuw type "neuraal netwerk" bedacht dat vrij is om elke vorm te tekenen. Het kan nu meerdere dalen en heuvels hebben, net zoals de echte natuur. Dit maakt het model veel flexibeler en nauwkeuriger.
De "Magische Magneet": Het allerbelangrijkste is dat ze weten waar de systemen tot rust komen (de stabiele evenwichten). Ze hebben een speciale techniek ontwikkeld die zorgt dat het model op die specifieke plekken precies stil blijft staan, net als een echte pendel die stopt.
- Hoe doen ze dat? Ze gebruiken een soort "magische magneet" in hun wiskundige formule. Op de plek waar het systeem tot rust moet komen, zorgt deze magneet ervoor dat de energie precies op zijn laagste punt zit en dat er geen kracht is die het wegduwt. Dit gebeurt op een manier die wiskundig gegarandeerd werkt, zonder dat het model de rest van de beweging verpest.
Meerdere rustpunten: Omdat ze die "één kom"-regel hebben losgelaten, kan hun model nu systemen leren die op meerdere plekken tot rust kunnen komen.
- Voorbeeld: Een dubbele slinger kan stilhangen als hij recht naar beneden wijst, maar ook als hij helemaal omhoog staat (als je hem perfect in balans houdt). De oude methode kon dit niet goed nabootsen; de nieuwe methode wel.

Wat hebben ze bewezen?
Ze hebben dit getest met twee voorbeelden:

Een rij veren (Toda-lattice): Een systeem met één rustpunt. Hier bleek hun nieuwe methode veel nauwkeuriger te zijn dan de oude methode.
Een dubbele slinger: Een systeem met vele rustpunten. De oude methode faalde hier volledig en trok de slinger altijd naar het midden. De nieuwe methode zag precies waar de slinger naartoe wilde en hield die balans perfect vast.

Kortom:
Deze paper introduceert een slimme manier om computersystemen te leren hoe echte fysieke objecten bewegen. Ze hebben de "strakke regels" van de oude methoden losgelaten, waardoor het model nu net zo flexibel en veelzijdig is als de natuur zelf, terwijl het toch alle belangrijke wetten van de energiebehoud en stabiliteit respecteert. Het is alsof je een robot hebt die niet alleen de bewegingen van een slinger kan nabootsen, maar ook begrijpt waarom die stopt en waar hij tot rust komt, zelfs als er meerdere rustplekken zijn.

Titel: Structuur- en stabiliteitsbehoudend leren van Port-Hamiltonian Systemen

Auteurs: Binh Nguyen, Nam T. Nguyen en Truong X. Nghiem

1. Probleemstelling

Port-Hamiltonian Systemen (PHS) vormen een krachtig raamwerk voor het modelleren, analyseren en regelen van complexe fysische systemen, omdat ze de energiestroom en -opslag expliciet benadrukken. Hoewel datagedreven modellen op basis van neurale netwerken (zoals Port-Hamiltonian Neural Networks, PHNN) veelbelovend zijn, lijden bestaande methoden aan twee fundamentele beperkingen:

Convexiteitsbeperking: Bestaande methoden gebruiken vaak Input Convex Neural Networks (ICNNs) om de Hamiltoniaan (de energie-functie) te benaderen. Dit vereist dat de Hamiltoniaan convex is. Veel realistische fysische systemen hebben echter een niet-convexe Hamiltoniaan, wat de expressiviteit en generalisatie van ICNN-based modellen beperkt.
Behoud van evenwichtspunten: Bestaande methoden zijn vaak beperkt tot het behouden van één enkel stabiel evenwichtspunt. Veel systemen (zoals pendels of ketens van massa's) hebben echter meerdere geïsoleerde stabiele evenwichtspunten. Bestaande methoden falen vaak in het correct modelleren van het gedrag rond deze meerdere punten, wat leidt tot kwalitatief incorrecte dynamica in het geleerde model.

Het doel van dit onderzoek is een data-gedreven modelleringstechniek te ontwikkelen die de intrinsieke PHS-structuur behoudt, stabiliteit garandeert bij bekende evenwichtspunten, en de restrictie van convexiteit opheft.

2. Methodologie

De auteurs stellen een nieuw neurale architectuur voor die specifiek is ontworpen om de stabiliteit van meerdere evenwichtspunten te garanderen zonder de convexiteit van de Hamiltoniaan op te eisen.

A. Nieuwe Neuronale Hamiltoniaan

In plaats van een reguliere term toe te voegen aan de verliesfunctie om de gradiënt op nul te dwingen (wat geen theoretische garantie biedt), ontwerpen de auteurs een specifieke neurale netwerkkopstructuur voor de Hamiltoniaan $\hat{H}(x)$ .

De voorgestelde vorm voor een enkel evenwichtspunt $x_{eq}$ is:
$\hat{H}(x) = NN_H(x) \cdot h(\sigma(\|x - x_{eq}\|^2))$
Waarbij:

$NN_H(x)$ een standaard neurale netwerkbijdrage is (die positief moet zijn).
$\sigma(\cdot)$ een gladde functie is die de afstand normaliseert.
$h(\cdot)$ een speciaal ontworpen, $d$ -keer differentieerbare stapfunctie is.

Belangrijke eigenschappen van $h(\cdot)$ :

In de buurt van het evenwichtspunt ( $x \approx x_{eq}$ ) zorgt de constructie ervoor dat $\nabla_x \hat{H}(x_{eq}) = 0$ en dat $x_{eq}$ een strikt minimum is van de Hamiltoniaan.
Buiten een bepaalde straal $b$ (waar $\|x - x_{eq}\| \geq b$ ) wordt $h(\cdot) = 1$ , waardoor het model volledig wordt bepaald door de neurale netwerken $NN_H$ en de convexiteitsbeperking wordt opgeheven.
Dit ontwerp garandeert lokaal stabiliteit rond $x_{eq}$ zonder de fitting van de data in andere gebieden te beïnvloeden.

B. Uitbreiding naar Meerdere Evenwichtspunten

Voor systemen met $n_{eq}$ geïsoleerde stabiele evenwichtspunten $\{x^{(i)}_{eq}\}$ wordt de Hamiltoniaan gedefinieerd als een sommatie van lokale bijdragen:
$\hat{H}(x) = NN_H(x) \cdot h_\Sigma(x; x^{(1)}_{eq}, \dots, x^{(n_{eq})}_{eq})$
De functie $h_\Sigma$ is een lineaire combinatie van de individuele stapfuncties $h_i$ , waarbij de actieradii $b_i$ zo worden gekozen dat de regio's rondom de evenwichtspunten niet overlappen. Hierdoor kan de stabiliteit van elk evenwichtspunt onafhankelijk worden geanalyseerd en gegarandeerd.

C. Leren van de PHS-structuur

Naast de Hamiltoniaan worden ook de interconnectiematrix $J(x)$ , de dissipatiematrix $R(x)$ en de poortmatrix $G(x)$ geleerd.

Als de parametrische structuur bekend is, worden de parameters geleerd.
Als deze volledig onbekend zijn, worden neurale netwerken gebruikt die de skew-symmetrische eigenschap van $J$ en de symmetrische eigenschap van $R$ respecteren (via decompositie in onder- en boven-driehoeksmatrices).
Het trainingsproces minimaliseert een verliesfunctie die de voorspelde staat $\hat{x}$ vergelijkt met de gemeten data, waarbij symplectische integratoren (zoals de symplectische Euler-methode) worden gebruikt om de differentiaalvergelijkingen op te lossen.

3. Belangrijkste Bijdragen

Novel Neurale Architectuur: Een nieuwe Hamiltoniaan-structuur die de stabiliteit bij meerdere evenwichtspunten garandeert door strikte minima te creëren, waardoor de noodzaak van convexiteit wordt verwijderd.
Theoretische Stabiliteitsanalyse: Een rigoureuze analyse (gebaseerd op Lyapunov-theorie en Lemma's over strikte minima) die bewijst dat het geleerde model lokaal stabiele evenwichtspunten behoudt, zelfs bij niet-convexe Hamiltonianen.
Region van Attractie: De methode biedt een manier om de regio van attractie rond specifieke evenwichtspunten te definiëren en te analyseren, in tegenstelling tot methoden die globale stabiliteit forceren (wat vaak te conservatief is).
Empirische Validatie: Uitgebreide numerieke experimenten die aantonen dat de methode superieur is aan de huidige state-of-the-art (PH-ICNN).

4. Resultaten

De methode is getest op twee systemen en vergeleken met een PH-ICNN-baseline:

Toda-Lattice Systeem (Enkel evenwichtspunt):
- Dit is een niet-convex systeem.
- Het voorgestelde model kon de dynamica (Hamiltoniaan, output, staat) nauwkeuriger voorspellen dan de PH-ICNN.
- Het model behield correct de stabiliteit rond de oorsprong na een impulsstoring, terwijl de PH-ICNN minder nauwkeurige resultaten leverde.
Dubbele Slagboom (Meerdere evenwichtspunten):
- Dit systeem heeft oneindig veel evenwichtspunten (bijv. hangend naar beneden, staand naar boven, of in verschillende hoeken).
- Fout van PH-ICNN: De ICNN-methode faalde volledig bij het modelleren van niet-oorsprong evenwichtspunten. Het model dwong het systeem altijd terug naar de oorsprong (0,0), wat fysisch incorrect was voor startcondities die naar andere stabiele punten moesten convergeren.
- Succes van voorgestelde methode: Het model slaagde erin om correct naar de juiste evenwichtspunten (bijv. $2\pi$ of $-2\pi$ ) te convergeren, afhankelijk van de startconditie, en reproduceerde de tijdsverlooptrajecten nauwkeurig.

5. Betekenis en Conclusie

Dit onderzoek is significant omdat het een cruciale beperking van datagedreven fysisch modelleren oplost: de onmogelijkheid van ICNN's om systemen met niet-convexe energie-landschappen en meerdere stabiele toestanden correct te modelleren.

Fysieke consistentie: Door de structuur van PHS en de stabiliteit van evenwichtspunten expliciet in de architectuur te integreren, worden fysisch consistente modellen gegenereerd die geen "onzin" produceren (zoals het verkeerd convergeren van een pendel).
Flexibiliteit: Het verwijderen van de convexiteitsbeperking maakt de methode toepasbaar op een veel bredere klasse van complexe, niet-lineaire systemen uit de echte wereld.
Toekomstperspectief: Hoewel de resultaten op benchmarks veelbelovend zijn, is de toepassing op echte fysieke systemen een volgende stap. De auteurs plannen om de methode uit te breiden naar regelaarsontwerp (control applications).

Kortom, deze paper biedt een robuust theoretisch en praktisch raamwerk voor het leren van fysisch getrouwe modellen die complexe stabiliteitseigenschappen behouden, wat essentieel is voor betrouwbare simulatie en controle in engineering.