On Data-Driven Koopman Representations of Nonlinear Delay Differential Equations

Título: Representações Koopman Baseadas em Dados para Equações Diferenciais com Atraso Não Lineares

Autores: Santosh Mohan Rajkumar, Dibyasri Barman, Kumar Vikram Singh e Debdipta Goswami.

1. Problema e Motivação

As Equações Diferenciais com Atraso (DDEs) são fundamentais para modelar sistemas em engenharia e ciências (como controle de rede, regulação biológica e sistemas mecânicos com feedback atrasado). Diferentemente das Equações Diferenciais Ordinárias (ODEs), as DDEs evoluem em um espaço de fase infinito-dimensional, composto por segmentos de histórico (funções de atraso), o que torna a modelagem, previsão e análise extremamente complexas.

Embora métodos baseados no operador de Koopman (como EDMD e kEDMD) tenham avançado significativamente para ODEs e algumas EDPs, sua aplicação a DDEs permanece limitada. As abordagens existentes frequentemente utilizam embeddings de atraso heurísticos que comprimem o histórico infinito em amostras finitas, mas falham em quantificar explicitamente os erros de aproximação, tornando-os inadequados para garantias rigorosas de controle e previsão.

O objetivo deste trabalho é preencher essa lacuna, estabelecendo uma ponte rigorosa entre a dinâmica de atraso infinita e representações Koopman finitas, com garantias de erro determinísticas e interpretáveis.

2. Metodologia Proposta

Os autores propõem um framework de aproximação Koopman de dimensão finita baseado em discretização do histórico e um operador de reconstrução adequado. A metodologia segue os seguintes passos:

1. Discretização e Realização Finita:

   • O espaço de funções de histórico contínuas ($C$) é mapeado para um espaço vetorial finito-dimensional ($Z \subset \mathbb{R}^{nM}$) através de um operador de amostragem ($Q$) que discretiza o histórico em $M$ pontos.
   • Um operador de reconstrução ($R$) é definido para recuperar uma função de histórico contínua a partir desses pontos discretos (usando interpolação linear por partes).
   • Isso permite definir um mapa de transição aproximado $\tilde{F}$ no espaço discreto $Z$, que aproxima a evolução exata do sistema.

2. Aproximação do Operador de Koopman via kEDMD:

   • O operador de Koopman, que atua linearmente sobre observáveis não lineares, é aproximado no espaço de Hilbert de Reprodutor de Kernel (RKHS) gerado por Kernels de Função de Base Radial (RBF) de Wendland.
   • Utiliza-se a Decomposição de Modos Dinâmicos Estendida baseada em Kernel (kEDMD) para construir uma representação matricial linear do operador de Koopman a partir de dados.
   • O modelo substituto (surrogate) é linear no espaço elevado (lifted) das coordenadas do kernel, permitindo a evolução temporal simples: $\Psi(z_{k+1}) \approx A \Psi(z_k)$.

3. Reconstrução de Estado:

   • Desenvolve-se um método baseado em kernel para recuperar o estado discretizado $z$ a partir das coordenadas elevadas do Koopman, permitindo a previsão do estado físico do sistema.

3. Contribuições Principais

O artigo apresenta quatro contribuições teóricas e práticas fundamentais:

• Realização Koopman para DDEs: Estabelecimento de uma conexão teórica rigorosa entre a dinâmica de atraso infinita e representações finitas através de um framework de amostragem-reconstrução, gerando um modelo substituto tratável.
• Modelo Linear Substituto Baseado em Dados: Construção de um modelo linear finito-dimensional usando kEDMD com kernels de Wendland, que aproxima rigorosamente o operador de Koopman infinito definido no espaço de Banach de funções de histórico.
• Garantias de Erro Determinísticas: Derivação de limites de erro explícitos para o preditor aprendido. O erro total é decomposto em três componentes interpretáveis:
  1. Erro de Discretização do Histórico: Proporcional ao espaçamento da malha ($\delta(M)$).
  2. Erro de Interpolação de Kernel: Dependente da distância de preenchimento ($h_X$) dos pontos de dados.
  3. Erro de Regressão Baseada em Dados: Dependente do raio de vizinhança ($\rho$) e da condição numérica da matriz do kernel.
• Reconstrução de Estado com Garantias: Desenvolvimento de um mecanismo para recuperar o estado discretizado das coordenadas elevadas, com limites de erro provados para a previsão do estado, assegurando confiabilidade para tarefas de simulação e controle.

4. Resultados Numéricos

Os autores validaram o framework em dois sistemas não lineares:

1. Uma DDE escalar com não linearidade do tipo Hill.
2. Um modelo de interação tumor-imunidade (sistema planar com atraso).

Principais achados:

• Convergência: Os resultados demonstram que o erro de previsão do modelo aprendido converge à medida que se aumenta a resolução da discretização ($M$) e a densidade dos dados de treinamento ($p$).
• Precisão: A comparação entre os valores reais e previstos das trajetórias de estado mostra uma concordância excelente, especialmente com um número suficiente de pontos de kernel ($p$).
• Análise de Erro: A decomposição do erro confirma que a precisão do modelo é governada conjuntamente pelas propriedades de interpolação do kernel e pelo limite de resíduo do modelo substituto, conforme previsto teoricamente.

5. Significado e Impacto

Este trabalho é significativo por fornecer uma fundação teórica e controlável para a aprendizagem e previsão de sistemas de atraso não lineares.

• Superioridade Teórica: Diferente de métodos heurísticos anteriores, esta abordagem oferece garantias matemáticas de erro, o que é crucial para aplicações de segurança crítica.
• Aplicabilidade: O framework permite a aplicação de técnicas de controle linear (desenvolvidas para sistemas Koopman) em sistemas complexos com atraso, abrindo caminho para o controle em malha fechada e a análise de sistemas de rede com atrasos.
• Escalabilidade: Ao reduzir a dinâmica infinita para um modelo linear finito-dimensional com erros controlados, torna-se viável a aplicação de métodos de aprendizado de dados em sistemas que anteriormente eram intratáveis para controle preciso.

Em resumo, o artigo transforma o desafio da dimensionalidade infinita das DDEs em um problema de aproximação controlada, permitindo a previsão e o controle confiáveis de sistemas com atraso através de uma abordagem baseada em dados e rigorosamente fundamentada.