Online learning of Koopman operator using streaming data from different dynamical regimes

Resumo Técnico

1. Problema e Motivação

O artigo aborda o desafio de modelagem e controle de sistemas complexos não lineares utilizando dados provenientes de sensores em fluxo contínuo (streaming data). Embora métodos baseados em dados (como DMD e EDMD) sejam eficazes, eles enfrentam limitações críticas em cenários de dados em tempo real:

• Custo Computacional: Métodos tradicionais exigem grandes conjuntos de dados e operações matriciais pesadas (como SVD e inversão de matriz), que se tornam inviáveis à medida que o volume de dados cresce indefinidamente.
• Regimes Dinâmicos Variáveis: Dados em fluxo podem vir de regimes dinâmicos diferentes ou de eventos raros. Métodos adaptativos com "fatores de esquecimento" (forgetting factors) tendem a descartar dados antigos, o que é problemático se o sistema retornar a esses regimes no futuro.
• Ineficiência de Dados: Manter um histórico completo de todos os dados para atualizar o modelo é computacionalmente proibitivo, enquanto descartar dados sem critério pode levar à perda de informações críticas sobre novos comportamentos do sistema.

O objetivo é desenvolver um método que aprenda o Operador de Koopman online, identificando novos regimes dinâmicos, otimizando a quantidade de dados necessários para a atualização e aprendendo adaptativamente as funções de base, sem armazenar todo o histórico de dados.

2. Metodologia

A proposta central do artigo é um framework de Identificação de Subespaço Recursiva (R-SSID) guiada pela Distância de Grassmannian. A metodologia segue os seguintes pilares:

• Representação Linear de Sistemas Não Lineares: O sistema não linear é aproximado por um sistema linear de tempo invariante (LTI) em um espaço de dimensão elevada (espaço "levantado" ou lifted space), utilizando o Operador de Koopman.
• Identificação de Subespaço (SSID): Utiliza-se a técnica de identificação de subespaço para estimar as matrizes do sistema $(K, B, C, D)$ e a matriz de observabilidade estendida ($\Gamma$) a partir de dados de entrada/saída, sem precisar especificar a priori as funções de base.
• Gaussian Process (GP) como Funções de Base: Em vez de definir um dicionário fixo de funções, o artigo modela a relação entre o estado original $x_t$ e o estado levantado $z_t$ usando Regressão por Processo Gaussiano. Isso permite aprender as funções de base adaptativamente a partir dos dados.
• Filtragem de Dados via Distância de Grassmannian:
  • O algoritmo calcula a distância de Grassmannian ($G$) entre o subespaço da matriz de observabilidade estendida atual ($\Gamma_i$) e o subespaço gerado por um novo segmento de dados em fluxo ($\Gamma_{i+1}$).
  • Critério de Atualização: Se a distância $G$ for maior que um limiar $\epsilon$, o novo segmento de dados é considerado "inovador" (representando um novo regime dinâmico ou evento raro) e é adicionado ao arquivo de treinamento para atualizar o modelo.
  • Descarte de Redundância: Se $G < \epsilon$, os dados são considerados redundantes (pertencem ao mesmo regime já modelado) e são descartados, evitando o acúmulo desnecessário de dados.
• Ajuste de Ordem do Sistema: O algoritmo monitora os valores singulares da matriz de dados atualizada para determinar dinamicamente a ordem mínima do sistema ($r$), ajustando a complexidade do modelo conforme necessário.

3. Contribuições Principais

1. Framework de Aprendizado Online: Propõe um método recursivo para atualizar o Operador de Koopman que lida eficientemente com fluxos de dados contínuos.
2. Seleção Inteligente de Dados: Introduz o uso da distância de Grassmannian para filtrar dados redundantes e priorizar dados de novos regimes dinâmicos, reduzindo drasticamente a carga computacional e o armazenamento.
3. Aprendizado Adaptativo de Funções de Base: Integra Processos Gaussianos para mapear estados para o espaço levantado, eliminando a necessidade de um dicionário de funções pré-definido e permitindo a descoberta de dinâmicas complexas.
4. Determinação Dinâmica da Ordem do Sistema: O método ajusta a ordem do modelo (número de estados levantados) em tempo real com base na análise de valores singulares, garantindo que o modelo não seja nem subdimensionado nem superdimensionado.

4. Resultados e Simulações

Os autores validaram o algoritmo (denominado R-SSID) em dois cenários:

• Exemplo Numérico Simples (Sistema Não Linear):

  • Um sistema não linear foi simulado com 100 conjuntos de dados em fluxo.
  • O algoritmo aceitou apenas 10 dos 100 conjuntos para atualizar o modelo, descartando os 90 restantes como redundantes.
  • O modelo identificado convergiu para o modelo de Koopman verdadeiro, com a distância de Grassmannian tendendo a zero e os autovalores do operador estimado aproximando-se dos valores reais.
  • A ordem do sistema foi corretamente identificada como 3.

• Oscilador de Duffing com Controle:

  • Um sistema com comportamento complexo (oscilações de poço único e poço duplo) foi testado com 900 conjuntos de dados.
  • O algoritmo detectou a transição de regimes (de poço único para poço duplo) através de um aumento súbito na distância de Grassmannian, adaptando a ordem do sistema de 9 para 11.
  • Comparação de Desempenho: O modelo R-SSID (com 11 funções de base) apresentou menor erro quadrático médio (RMSE) de previsão em comparação com o método EDMD (Extended Dynamic Mode Decomposition) que utilizou 27 e 102 funções de base.
  • Isso demonstra que o método proposto alcança maior precisão com uma representação muito mais compacta do sistema.

5. Significado e Conclusão

O trabalho oferece uma solução robusta para a modelagem de sistemas complexos em ambientes de dados em fluxo. A principal contribuição é a capacidade de otimizar o compromisso entre precisão do modelo e custo computacional.

Ao rejeitar dados redundantes e focar apenas em segmentos que representam novos regimes dinâmicos, o método:

• Preserva a capacidade de prever eventos raros e regimes não vistos anteriormente.
• Evita o esgotamento de recursos computacionais (memória e tempo de processamento) associados ao armazenamento de grandes volumes de dados históricos.
• Fornece modelos de ordem reduzida e precisos, superando métodos tradicionais de aprendizado de máquina que exigem grandes dicionários de funções fixas.

Em suma, o artigo estabelece um novo paradigma para o aprendizado de operadores de Koopman em tempo real, tornando viável a aplicação de controle e modelagem baseada em dados em sistemas complexos com dinâmicas variáveis e recursos computacionais limitados.