⚡ electrical engineering

Control-Oriented System Identification: Classical, Learning, and Physics-Informed Approaches

Este artigo faz um levantamento de métodos clássicos, de aprendizado de máquina e de identificação de sistemas baseados em dados, propondo uma estrutura unificada que integra propriedades relevantes para o controle e informadas pela física por meio de diversas restrições de otimização para aumentar a explicabilidade do modelo, a eficiência de amostragem e a provisão de garantias comprováveis para a síntese de controle.

Autores originais: S. Sivaranjani, Yuanyuan Shi, Nikolay Atanasov, Thai Duong, Jie Feng, Tim Martin, Yuezhu Xu, Vijay Gupta, Frank Allgöwer

Publicado 2026-07-16

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: S. Sivaranjani, Yuanyuan Shi, Nikolay Atanasov, Thai Duong, Jie Feng, Tim Martin, Yuezhu Xu, Vijay Gupta, Frank Allgöwer

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um robô a andar, ou um carro autônomo a navegar em uma tempestade. Você poderia simplesmente alimentar a máquina com uma montanha de filmagens e deixá-la adivinhar as regras da física por conta própria. Isso é como deixar uma criança aprender a andar de bicicleta caindo mil vezes até que ela finalmente entenda como funciona. Funciona, mas é bagunçado, lento e, às vezes, a criança aprende a lição errada — como achar que é aceitável andar direto contra uma parede porque ela ainda não bateu em uma até agora.

No mundo da engenharia, esta é a diferença entre "aprender com dados" e "aprender com um mapa". O artigo que você está prestes a ler vive no canto da ciência chamado Identificação de Sistemas Orientada ao Controle. Pense na "Identificação de Sistemas" como a arte de construir um mapa matemático de como algo se move ou muda. "Controle" é a arte de guiar essa coisa para fazer o que você deseja. Por décadas, os engenheiros tiveram um livro de regras rigoroso: se você quer pilotar um avião com segurança, seu mapa deve obedecer às leis da física, como a conservação de energia ou o fato de que você não pode criar algo do nada. Mas recentemente, poderosas novas ferramentas de "aprendizado de máquina" chegaram, que são ótimas em adivinhar padrões, mas terríveis em seguir regras. Elas podem aprender a voar um avião perfeitamente em uma simulação, apenas para cair no mundo real porque esqueceram que a gravidade existe. Este artigo faz uma grande pergunta: Podemos ensinar as máquinas a aprender com dados enquanto as forçamos a respeitar as leis inquebráveis da física e da segurança?

O Grande Assalto ao Mapa

Este artigo é um guia turístico massivo através de uma cidade pulsante de ideias, mostrando-nos como construir melhores mapas para as máquinas. Os autores, uma equipe de pesquisadores de universidades dos EUA e da Alemanha, estão essencialmente dizendo: "Pare de deixar sua IA adivinhar as leis da física. Faça-a obedecê-las."

Eles argumentam que, embora o aprendizado de máquina moderno seja incrível em encontrar padrões em dados ruidosos e bagunçados, ele frequentemente produz modelos de "caixa preta". Estes são como bolas de cristal: você as sacode, elas dão uma resposta, mas você não tem ideia do porquê. Se essa bola de cristal estiver controlando um reator nuclear ou um braço robótico, e começar a agir de forma estranha, você não saberá o motivo até que seja tarde demais. O artigo sugere que precisamos misturar a "magia" do aprendizado de máquina com as "regras estritas" da teoria de controle clássica.

As Três Maneiras de Ensinar um Robô a se Comportar

Os autores propõem três formas principais de forçar um algoritmo de aprendizado a respeitar as regras do universo, usando uma analogia simples: imagine que você está treinando um cachorro para buscar uma bola, mas quer garantir que ele nunca corra para o meio do tráfego.

Parametrização Direta (Construindo as Pernas do Cachorro): Isso é como construir as pernas do cachorro de modo que ele fisicamente não consiga correr para o tráfego. Você projeta a estrutura do modelo desde o início para que ele só saiba se mover de maneiras seguras e compatíveis com a física. Por exemplo, se você estiver modelando um pêndulo, você constrói a matemática para que ele deva conservar energia, exatamente como um pêndulo real faz. O artigo mostra que isso funciona muito bem e é muito eficiente, mas é difícil projetar essas "pernas especiais" para cada situação possível.
Restrições Rígidas (A Cerca Invisível): Isso é como colocar uma cerca elétrica invisível ao redor do quintal. O cachorro pode correr para onde quiser, mas se tentar cruzar a linha, leva um choque (ou, em termos matemáticos, o computador diz "Não, isso não é permitido!"). O artigo explica que isso é muito preciso, mas pode ser computacionalmente caro, como tentar calcular a trajetória exata de um milhão de cachorros ao mesmo tempo. Às vezes, a cerca atrapalha o cachorro de aprender truques novos.
Restrições Leves (O Empurrãozinho Gentil): Isso é como dar um petisco ao cachorro toda vez que ele permanece no quintal, e um "não" suave quando ele se afasta. Você não proíbe o cachorro de correr para o tráfego, mas torna isso muito "caro" (em termos de "pontos" ou "perda") para ele fazer. Esta é a maneira mais fácil de adicionar regras à IA moderna, mas o artigo alerta que não é uma garantia. O cachorro pode acabar correndo para o tráfego se o petisco não for grande o suficiente.

O Momento "Ops": Por Que Apenas Adivinhar Falha

Uma das partes mais divertidas do artigo é um pequeno experimento que eles realizam para provar seu ponto. Eles pegam um circuito elétrico simples (um circuito RLC) que é conhecido por ser "passivo" (significando que não pode criar energia do nada). Eles alimentam os dados deste circuito em uma ferramenta de aprendizado de máquina padrão para construir um modelo.

O resultado? O novo modelo parece perfeito. Ele prevê o comportamento do circuito com 99,6% de precisão. Mas quando os autores verificam se o modelo respeita a regra de "não criar energia do nada", descobrem que ele está quebrado. O modelo acha que o circuito pode gerar energia por conta própria! É como um mapa que mostra um atalho através de uma montanha que não existe. O artigo usa isso para provar que ser apenas preciso não é o suficiente. Se o seu mapa estiver ligeiramente errado sobre as leis da física, seu robô pode bater.

As Novas Ferramentas: IA Informada pela Física

O artigo então mergulha nas novas ferramentas legais que os pesquisadores estão usando para corrigir isso. Eles falam sobre Neural ODEs (Equações Diferenciais Ordinárias Neurais), que são como uma IA que fala a linguagem do cálculo. Em vez de apenas adivinhar o próximo passo, elas aprendem a taxa de variação, que é como a física real funciona.

Eles também destacam as Redes Neurais Hamiltonianas, que são projetadas especificamente para aprender sistemas que conservam energia, como planetas orbitando um sol ou um pêndulo oscilando. Em um exemplo, eles treinaram uma rede para aprender a dinâmica de um quadricóptero (um pequeno robô voador). A versão "consciente da física" aprendeu as regras de voo muito mais rápido e com menos dados do que a versão de "caixa preta". Ela até manteve a energia do robô equilibrada, evitando que ele voasse contra uma parede porque achou que tinha combustível infinito.

A Abordagem "Sem Modelo": Aprendendo pelo Rastro

O artigo também explora uma ideia fascinante chamada Teoria de Sistemas Comportamentais. Imagine que você não sabe como um carro funciona, mas tem um vídeo dele dirigindo. Em vez de tentar adivinhar o tamanho do motor ou a pressão dos pneus, você apenas observa o rastro dos trilhos dos pneus. O artigo explica que você pode verificar se um sistema é seguro ou estável apenas observando esses rastros, sem nunca construir um modelo completo do carro. É como verificar se um rio é seguro para nadar apenas observando a correnteza, em vez de medir a profundidade da água em cada ponto individual.

O Caminho à Frente: O Que Ainda Falta

Os autores são honestos sobre o que eles ainda não resolveram. Eles apontam que, embora estejamos melhorando em ensinar a IA as regras da física, ainda é muito difícil fazer isso para sistemas complexos e mutáveis (como uma rede elétrica que alterna modos ou uma rede de tráfego que muda conforme o horário do dia).

Eles também alertam para um compromisso (trade-off). Se você tornar as regras muito rígidas, a IA pode se tornar muito rígida para aprender comportamentos complexos do mundo real. É como ensinar um cachorro a buscar, mas se você disser a ele "nunca se mova mais de um centímetro", ele não conseguirá buscar a bola de jeito nenhum. O artigo sugere que o futuro reside em encontrar o equilíbrio perfeito: um modelo que seja flexível o suficiente para aprender com dados bagunçados, mas rígido o suficiente para nunca quebrar as leis da física.

A Conclusão

Em suma, este artigo é um chamado à ação para a próxima geração de engenheiros e cientistas. Ele diz: "Não deixe apenas sua IA aprender com dados. Dê a ela uma bússola." Ao misturar o poder do aprendizado de máquina com as regras atemporais da física, podemos construir robôs, carros e redes elétricas que não são apenas inteligentes, mas também seguros, explicáveis e confiáveis. O artigo não afirma ter resolvido tudo, mas fornece um mapa claro do território, mostrando-nos exatamente onde estão os penhascos e onde estão os caminhos seguros.

Resumo Técnico: Identificação de Sistemas Orientada ao Controle

1. Declaração do Problema

O artigo aborda o desafio da identificação de sistemas para sistemas dinâmicos onde o objetivo primário não é meramente minimizar o erro de previsão em dados de treinamento, mas sim aprender modelos que preservem propriedades específicas relevantes para o controle e informadas pela física.

Embora as abordagens modernas de aprendizado de máquina (ML) se destaquem na identificação de modelos a partir de dados ruidosos e de alta dimensão, elas frequentemente falham em garantir propriedades essenciais para a síntese de controle subsequente, como estabilidade, dissipatividade, monotonicidade e preservação de simetria. Inversamente, a teoria de controle clássica depende fortemente dessas propriedades para fornecer garantias comprováveis para o comportamento em malha fechada (por exemplo, estabilidade via funções de Lyapunov, escalabilidade via dissipatividade em sistemas em rede). O problema central é que os algoritmos de identificação padrão, mesmo quando alcançam alta fidelidade na aproximação de trajetórias entrada-saída, não garantem inerentemente que o modelo aprendido herde essas propriedades estruturais. Como demonstrado no artigo, um modelo linear pode aproximar um sistema passivo com 99,6% de precisão, mas ainda assim falhar em ser passivo.

O artigo postula que a fusão da identificação de sistemas com propriedades relevantes ao controle fornece o viés indutivo necessário, aumenta a explicabilidade, permite garantias de controle comprováveis e melhora a complexidade de amostragem.

2. Metodologia e Estrutura

Os autores formulam a identificação de sistemas como um problema de otimização com restrições. Eles propõem uma estrutura unificada para impor propriedades relevantes ao controle através de três mecanismos distintos:

Parametrização Direta: Restringir a estrutura do modelo por construção para satisfazer uma propriedade.
- Exemplos: Redes neurais Lagrangianas/Hamiltonianas (impondo conservação de energia), Redes Neurais Convexas de Entrada (impondo monotonicidade) e parametrizações específicas de função de transferência (impondo passividade).
Restrições Rígidas (Hard Constraints): Impor restrições explícitas ao problema de otimização (por exemplo, Desigualdades Matriciais Lineares - LMIs, Programas Semidefinidos - SDPs).
- Exemplos: Imposição de estabilidade de Lyapunov via $A^T P + PA \prec 0$ , ou dissipatividade via condições de dissipatividade QSR. O artigo observa que a imposição direta é frequentemente dispendiosa computacionalmente, levando a abordagens de "dois estágios", onde um modelo não restrito é identificado primeiro, seguido por uma perturbação/projeção para satisfazer as restrições.
Restrições Leves (Soft Constraints/Regularização): Incentivar propriedades através de termos de penalidade na função de perda.
- Exemplos: Redes Neurais Informadas pela Física (PINNs) que minimizam resíduos de leis físicas (ex: conservação de energia) juntamente com erros de ajuste de dados, ou termos de regularização que penalizam autovalores com partes reais positivas.

O levantamento categoriza a literatura existente em três fluxos principais:

Identificação de Sistemas Clássica: Técnicas para sistemas lineares e não lineares (ex: métodos de subespaço, SINDy, operadores de Koopman) adaptadas para preservar propriedades através dos três mecanismos acima.
Identificação Baseada em Aprendizado Profundo (Deep Learning): Arquiteturas como Neural ODEs, Redes de Equilíbrio Recorrente (RENs) e Transformers, modificadas para incorporar priors físicos ou restrições.
Abordagens Comportamentais/Diretas de Dados: Métodos que contornam a identificação explícita do modelo (espaço de estados ou função de transferência) e verificam propriedades diretamente de trajetórias medidas usando o Lema Fundamental de Willems e abordagens de Conjunto de Pertencimento (Set-Membership).

3. Contribuições Principais e Resultados Levantados

A. Classificação de Abordagens

O artigo fornece uma taxonomia abrangente de métodos para impor propriedades relevantes ao controle, comparando seus compromissos (trade-offs) em relação a garantias, escalabilidade e expressividade do modelo.

A Parametrização Direta oferece garantias fortes por construção, mas pode limitar a expressividade do modelo.
As Restrições Rígidas fornecem certificados explícitos (ex: via LMIs), mas podem levar a problemas computacionalmente intratáveis ou viés do modelo se o "melhor ajuste" violar as restrições.
As Restrições Leves são computacionalmente escaláveis e fáceis de integrar, mas geralmente oferecem apenas garantias probabilísticas ou empíricas, exigindo verificação pós-treinamento.

B. Identificação Clássica e Não Linear

Sistemas Lineares: O artigo revisa métodos para impor estabilidade, passividade e dissipatividade em modelos de espaço de estados e de domínio de frequência. Destaca a "abordagem de perturbação", onde um modelo base é minimamente ajustado para satisfazer restrições (ex: modificando a matriz $C$ em uma identificação de circuito RLC para restaurar a passividade).
Sistemas Não Lineares: O levantamento cobre:
- Operadores de Koopman: Métodos para impor estabilidade e dissipatividade no modelo linear elevado (lifted).
- SINDy: Técnicas de identificação esparsa aumentadas com restrições de "aprisionamento" (trapping) para preservar energia ou estabilidade.
- Modelos Port-Hamiltonian (PH): Estruturas unificadas para modelagem baseada em energia que preservam naturalmente a passividade e as estruturas de interconexão.
- Processos Gaussianos: Métodos de kernel modificados para garantir estabilidade BIBO ou para aprender estruturas Lagrangianas/PH.

C. Arquiteturas de Aprendizado Profundo

O artigo detalha como as arquiteturas modernas são adaptadas:

Redes Neurais Hamiltonianas/Lagrangianas: Parametrizam a função de energia em vez da dinâmica, garantindo a conservação de energia (ou dissipação controlada).
Redes Neurais Monótonas: Arquiteturas (ex: gradientes de Redes Neurais Convexas de Entrada) que garantem monotonicidade, crucial para sistemas de potência e redes biológicas.
Redes de Equilíbrio Recorrente (RENs): Modelos projetados para serem contrativos e dissipativos por construção, oferecendo garantias de estabilidade sem projeção iterativa.
Redes Neurais Informadas pela Física (PINNs): Utilizam restrições leves para incorporar leis físicas (ex: equações de transferência de calor em dinâmica de edifícios) na função de perda, frequentemente superando modelos de caixa-preta em previsões de longo horizonte.

D. Verificação Direta (Comportamental e de Conjunto de Pertencimento)

Uma parte significativa do artigo é dedicada à verificação baseada em dados sem identificação explícita do modelo:

Estrutura Comportamental: Uso do Lema Fundamental de Willems para verificar a dissipatividade diretamente de uma única trajetória de entrada-saída via Desigualdades Matriciais Lineares (LMIs).
Abordagens de Conjunto de Pertencimento (Set-Membership): Definição de um conjunto de todos os sistemas consistentes com dados ruidosos (uma aproximação externa elipsoidal). Técnicas de controle robusto (procedimento S) são então usadas para verificar se todos os sistemas neste conjunto satisfazem uma propriedade (ex: limites de ganho $L_2$ ). Isso fornece garantias rigorosas mesmo com dados ruidosos.

4. Ilustrações Experimentais

O artigo apoia seu levantamento com vários exemplos expositivos (com código disponível em um repositório público):

Dinâmica de Pêndulo: Comparação de uma Neural ODE de caixa-preta contra uma Neural ODE baseada em Hamiltonianas. O modelo informado pela física converge mais rápido, preserva a conservação de energia e satisfaz restrições de variedade $SO(3)$, enquanto o modelo de caixa-preta apresenta deriva (drift).
Circuito RLC: Demonstração de que uma ferramenta padrão de identificação de sistemas produz um modelo não passivo apesar do alto ajuste, e mostra como um método de perturbação restaura a passividade.
Oscilador de Duffing: Comparação de modelos de Koopman com e sem restrições suaves de estabilidade. O modelo com restrição permanece estável, enquanto o não restrito diverge.
Sistema de Potência: Ilustração de Redes Neurais Monótonas para controle de tensão, mostrando que, embora alcancem precisão comparável a MLPs padrão, elas requerem treinamento cuidadoso e oferecem garantias estruturais.
Dinâmica Térmica de Edifícios: Mostra que PINNs (incorporando física de resistor-capacitor) superam redes neurais padrão em previsões de temperatura de longo prazo.

5. Significância e Direções Futuras

O artigo afirma que a identificação orientada ao controle deve ser vista não apenas como um problema de aproximação de função, mas como um problema de seleção de modelo onde a preservação de propriedades estruturais é primordial para a segurança, interpretabilidade e síntese de controle.

Significância:

Ele une a lacuna entre a teoria de controle clássica (que depende de propriedades estruturais) e o aprendizado de máquina moderno (que depende da flexibilidade baseada em dados).
Fornece um roteiro para pesquisadores selecionarem estratégias de identificação apropriadas com base na necessidade de garantias estritas (restrições rígidas), escalabilidade (restrições leves) ou priors estruturais específicos (parametrização direta).
Destaca que o aprendizado de máquina "padrão" é insuficiente para aplicações de controle sem esses vieses indutivos.

Direções Futuras Identificadas:

Sistemas em Rede: Identificar modelos que preservem tanto a estrutura de grafo quanto as propriedades de controle (ex: monotonicidade) em redes de grande escala.
Sistemas Comutados (Switched) e de Tempo Variável: Estender a identificação para sistemas com sinais de comutação desconhecidos ou dinâmicas variantes no tempo, preservando propriedades como dissipatividade.
Design de Experimentos: Desenvolver estratégias de design de entrada que excitem simultaneamente os modos do sistema e garantam que os dados resultantes suportem a identificação de propriedades relevantes ao controle.
Pontes de Representação: Criar um framework unificado que mescle as garantias rigorosas das representações comportamentais/de conjunto de pertencimento com a flexibilidade das aproximações de aprendizado profundo.
Compromissos (Trade-offs): Investigação adicional sobre o compromisso entre viés e variância ao impor restrições estruturais, especificamente em relação aos teoremas de aproximação universal para classes de modelos estruturados.

O artigo conclui que, embora progressos significativos tenham sido feitos, o campo requer mais trabalho em algoritmos escaláveis para sistemas complexos, em rede e variantes no tempo, bem como benchmarks padronizados para comparar abordagens baseadas em dados e orientadas ao controle.