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

Technische Samenvatting: Benaderende Feedback-linearisatie voor een Klasse Nietlineaire Hyperbolische PDE's — Deel II: Neural Operator

Probleemstelling
Dit artikel behandelt de computationele onhandelbaarheid van het implementeren van exacte feedback-linearisatie voor een klasse nietlineaire hyperbolische partiële differentiaalvergelijkingen (PDE's). Hoewel Deel I van dit werk vaststelde dat een eindig-orde afgekorte Volterra-serie feedback-linearisator zorgt voor gesloten-lus stabiliteit, blijft de resulterende controller computationeel te kostbaar voor real-time toepassing. Specifiek vereist het evalueren van de afgekorte controller:

1. Het oplossen van een "toren" van $N-1$ plant-specifieke lineaire kernel-PDE's op groeiende simplices om de feedback-kernels te genereren.
2. Het uitvoeren van $N$-voudige geneste integralen over deze vooraf berekende kernels voor elke controle-update.

Deze operaties zijn "plant-specifiek", wat betekent dat elke wijziging in de nietlineariteit $F$ van de plant het opnieuw oplossen van de kernel-PDE's noodzakelijk maakt. Dit artikel stelt voor om de expliciete, computationeel zware afgekorte controller te vervangen door een geleerde neural operator-surrogaat om online kernel-oplossing en geneste integratie te elimineren, terwijl de stabiliteitsgaranties behouden blijven.

Methodologie
De kernmethodologie behelst het leren van een mapping van de nietlineariteitscoëfficiënten van de plant en de systeemtoestand direct naar de randcontrole-input, waarbij de tussenstap van het oplossen van kernel-PDE's wordt overgeslagen.

1. Gezamenlijke Lipschitz-continuïteit: De auteurs stellen eerst vast dat de afgekorte Volterra feedback-operator, aangeduid als $U_N(f_N, u)$, gezamenlijk Lipschitz-continu is met betrekking tot zowel de plant-coëfficiënten $f_N$ (de Volterra-kernels van de nietlineariteit) als de toestand $u$. Dit is een cruciale theoretische stap, aangezien het garandeert dat de operator continu is op compacte verzamelingen, wat voldoet aan de vereisten voor universele benadering.
2. Neural Operator Surrogaat: Door gebruik te maken van de Lipschitz-eigenschap, zet het artikel een neural operator in (specifiek een MIONet-architectuur) om $U_N$ te benaderen. Het netwerk wordt getraind op een dataset bestaande uit paren van plant-coëfficiënten en toestanden die gemapt zijn naar de exacte afgekorte controlewaarden. Eenmaal getraind, fungeert de neural operator $\hat{U}_N$ als een directe surrogaat, die $(f_N, u)$ als input neemt en de controle $U(t)$ uitvoert in een enkele forward pass.
3. Closed-Loop Analyse: De stabiliteit van het gesloten-lus systeem onder deze surrogaat-feedback wordt geanalyseerd. Er wordt aangetoond dat de rand-residuele term die de doel-transportvergelijking aanstuurt, bestaat uit twee componenten: de afkortingsfout (uit Deel I) en de neural operator-benaderingsfout ($\epsilon$).

Belangrijkste Bijdragen
Het artikel levert drie primaire theoretische en praktische bijdragen:

• Lipschitz-continuïteitsresultaat: Het bewijst dat de afgekorte Volterra feedback-operator lokaal Lipschitz-continu is op begrensde verzamelingen van plant-coëfficiënten en toestanden. Dit resultaat dient als de wiskundige fundering voor de daaropvolgende benaderingsgaranties.
• Bestaan van Neural Surrogaat: Het stelt het bestaan vast van een neural operator-benadering $\hat{U}_N$ die in staat is elke voorgeschreven sup-norm nauwkeurigheid te bereiken op begrensde verzamelingen van plants en toestanden, waardoor de kernel-PDE-oplossing en geneste integratie effectief wordt gesubsumeerd in een enkele geleerde mapping.
• Praktisch Stabiliteitsbewijs: Het bewijst dat het gesloten-lus systeem onder neural-operator-feedback de vier stabiliteitseigenschappen behoudt die in Deel I zijn vastgesteld (voorwaartse invariantie, praktische stabiliteit, eindige-tijd attractiviteit en class-$KL$ asymptotische schattingen). Cruciaal is dat de asymptotische envelop wordt getoond te hebben de vorm $\|u(\cdot, t)\|_\infty \leq \beta(\|u_0\|_\infty, t) + \gamma(\epsilon)$, waarbij de residuele bal lineair schaalt met de trainingsnauwkeurigheid $\epsilon$.

Resultaten
Het artikel valideert het framework via numerieke experimenten bij een afkortingsorde $N=3$:

• Stabilisatie: De geleerde controller stabiliseert succesvol nietlineaire hyperbolische plants die instabiel zijn in open lus.
• Robuustheid: De surrogaat, getraind op een specifieke distributie van plant-parameters, stabiliseert ongeziene plants (met andere nietlineariteitsparameters) en diverse initiële condities zonder hertraining.
• Afkorting versus Benadering: De resultaten laten zien dat hoewel de neural operator een benaderingsfout $\epsilon$ introduceert (resulterend in een residuele vloer van $\sim 10^{-3}$), het de stabiliteit handhaaft zelfs in regimes waar lagere-orde afkortingen (bijv. $N=2$) falen door grote nietlineariteitscoëfficiënten.
• Computationele Efficiëntie: Het meest significante praktische resultaat is de versnelling in computationele snelheid. De klassieke implementatie van de $N=3$ controller vereist het oplossen van kernel-PDE's en geneste integralen, wat ongeveer 3,95 seconden per evaluatie duurt. De getrainde neural operator evalueert dezelfde controlewet in ongeveer 1 milliseconde, wat een versnellingsfactor van ongeveer 4.000$\times$ oplevert.

Betekenis en Claims
Het artikel positioneert zichzelf als de praktische realisatie van het theoretische framework geïntroduceerd in Deel I. Waar Deel I de controller "in principe implementeerbaar" maakte door de oneindige serie af te korten, maakt dit werk het "in de praktijk implementeerbaar, eenmaal en voor altijd per plant-klasse".

De auteurs beweren dat door de operator direct te leren, de methode de noodzaak voor online kernel-oplossing elimineert, wat de primaire flessenhals is voor real-time controle van nietlineaire PDE's. De betekenis ligt in het rigoureuze bewijs dat deze benadering de stabiliteit niet opoffert; het systeem blijft praktisch stabiel met een residuele fout die expliciet begrensd is en lineair evenredig is aan de trainingsnauwkeurigheid van het neurale netwerk. Naarmate de trainingsnauwkeurigheid naar nul nadert, wordt het gedrag van de exacte afgekorte controller (en uiteindelijk de exacte oneindige Volterra-linearisator) hersteld.