A data-driven model-free physical-informed deep operator network for solving nonlinear dynamic system

1. O Problema

O artigo aborda o desafio de estimar estados e prever o comportamento de sistemas dinâmicos não lineares em cenários onde há duas restrições críticas:

• Dados Escassos: A disponibilidade de dados experimentais é limitada (poucos pontos de dados), tornando o treinamento de modelos puramente baseados em dados ineficaz.
• Informação Física Incompleta: A formulação matemática exata (equações diferenciais governantes) do sistema é desconhecida ou difícil de obter. Embora se saiba que o sistema pode ser descrito por uma Equação Diferencial Ordinária (EDO) de uma certa ordem, os termos específicos da função governante são ignorados.

Métodos existentes, como as Redes Neurais Informadas por Física (PINNs), exigem o conhecimento exato das leis físicas para serem incorporadas à função de perda. Por outro lado, as Redes Operadoras Profundas (DeepOnets) são flexíveis, mas dependem massivamente de grandes volumes de dados para aprender a dinâmica do sistema. O objetivo deste trabalho é preencher essa lacuna.

2. Metodologia

Os autores propõem uma nova arquitetura chamada DeepOnet Informado por Física, Livre de Modelo e Orientado por Dados. A metodologia segue três etapas principais:

A. Exploração da Dependência de Curto Prazo

Baseando-se em um teorema prévio dos autores, o sistema reconhece que, para sistemas dinâmicos não lineares definidos por EDOs de ordem $n$, o estado atual depende apenas dos $n$ passos anteriores de estados e entradas (dependência de curto prazo), desde que o período de amostragem seja suficientemente pequeno.

• Em vez de tentar descobrir a função física exata $F()$, o método assume que existe uma função $\gamma$ que mapeia estados passados e entradas para o estado atual.

B. Modelo Surrogate (Substituto) para Física

• Um modelo de aprendizado de máquina simples (uma Rede Neural Feed-Forward - FFNN) é treinado com os poucos dados disponíveis para aprender essa dependência de curto prazo.
• Este modelo atua como um "surrogate" (substituto) que captura a dinâmica local do sistema sem precisar da equação diferencial completa. Ele aprende a prever a derivada de maior ordem ($\frac{d^n x}{dt^n}$) com base nos estados e derivadas de ordem inferior e nas entradas de controle.

C. Integração no DeepOnet (Arquitetura Híbrida)

O DeepOnet proposto combina duas redes:

1. Branch Net (Ramo): Processa a condição inicial e a sequência de entradas de controle.
2. Trunk Net (Tronco): Processa as coordenadas espaço-temporais (o instante de tempo $t$).

A Inovação na Função de Perda:
A rede DeepOnet é treinada minimizando uma função de perda composta por duas partes:

1. Perda de Dados ($L_{data}$): Diferença entre a saída prevista e os dados observados reais.
2. Perda Informada por Física ($L_P$): Esta é a contribuição chave. Utilizando diferenciação automática, o sistema calcula as derivadas da saída prevista pelo DeepOnet. Em seguida, o modelo surrogate (treinado na etapa B) recebe essas derivadas e as entradas de controle para prever a derivada de ordem superior. A perda física é a diferença entre a derivada de ordem superior calculada diretamente pelo DeepOnet e a prevista pelo modelo surrogate.

Isso permite que o DeepOnet "aprenda" as leis físicas implícitas através do modelo surrogate, mesmo sem conhecer a equação exata.

3. Contribuições Chave

• Abordagem Livre de Modelo (Model-Free): Elimina a necessidade de conhecer a formulação matemática exata das equações diferenciais do sistema, exigindo apenas o conhecimento da ordem da EDO.
• Eficiência com Dados Escassos: Demonstra que é possível obter alta precisão na estimativa de estados utilizando apenas um conjunto pequeno de dados experimentais (ex: 5 conjuntos de treinamento), superando a necessidade de grandes bancos de dados.
• Fusão de Arquiteturas: Integra a capacidade de generalização do DeepOnet com a capacidade de extrair dependências temporais locais via modelos de surrogate, criando um framework híbrido robusto.
• Robustez a Ruído: O método foi testado e validado em dados com ruído de medição, demonstrando superioridade em relação ao DeepOnet padrão.

4. Resultados Experimentais

O método foi validado em três sistemas dinâmicos não lineares de diferentes complexidades (2ª e 3ª ordem):

1. Sistema de Pêndulo: Estabilização de um pêndulo de baixo para cima.
2. Oscilador Forçado: Um sistema oscilatório com comportamento marginalmente instável.
3. Sistema Caótico de "Jerk" (3ª ordem): Um sistema complexo com comportamento caótico e atratores estranhos.

Desempenho:

• Em todos os cenários (dados limpos e dados com ruído gaussiano), a abordagem proposta superou o DeepOnet padrão (benchmark).
• Métricas: A redução no Erro Absoluto Médio (MAE) foi significativa.
  • Exemplo no Pêndulo: O MAE caiu de 17.98 (DeepOnet) para 6.23 (Método Proposto) em dados limpos.
  • Exemplo no Oscilador com Ruído: O MAE caiu de 39.46 para 19.10.
• O método demonstrou maior estabilidade e precisão, especialmente em cenários de teste onde os parâmetros de controle diferiam ligeiramente dos dados de treinamento.

5. Significado e Conclusão

Este trabalho representa um avanço significativo na estimativa de estados offline para sistemas dinâmicos. Ele resolve o dilema comum na engenharia e na ciência: a falta de modelos teóricos precisos combinada com a escassez de dados experimentais caros.

Ao utilizar a dependência de curto prazo como um princípio físico substituto, o método permite que redes neurais profundas aprendam a dinâmica de sistemas complexos de forma mais eficiente e robusta. A capacidade de operar com poucos dados e sem equações exatas torna essa técnica altamente aplicável em cenários do mundo real, como monitoramento de infraestrutura, controle de processos industriais e sistemas biológicos, onde a obtenção de modelos completos e grandes volumes de dados é frequentemente inviável.