Subspace Pruning via Principal Vectors for Accurate Koopman-Based Approximations

Resumo Técnico: Poda de Subespaço via Vetores Principais para Aproximações Precisas Baseadas em Koopman

Declaração do Problema
A implementação prática do operador de Koopman para sistemas dinâmicos não lineares depende de aproximações de dimensão finita, tipicamente construídas via métodos de projeção como a Decomposição de Modo Dinâmico Estendida (EDMD). Uma limitação crítica da EDMD padrão é que ela minimiza os resíduos de previsão de um passo sem garantir que o subespaço escolhido seja invariante sob o operador de Koopman. Quando um subespaço não é invariante, a dinâmica "vaza" para fora do subespaço durante a iteração, causando acúmulo geométrico de erros que torna as previsões de longo prazo pouco confiáveis. Embora métodos existentes tentem identificar subespaços invariantes, eles frequentemente carecem de fundamentos geométricos rigorosos ou sofrem de instabilidade numérica quando aplicados a dicionários grandes e superparametrizados de funções de base. O desafio central é refinar sistematicamente um dicionário candidato para encontrar um subespaço que satisfaça uma tolerância de invariância especificada pelo usuário, preservando a expressividade necessária para a reconstrução do estado.

Metodologia
O artigo propõe um framework algébrico unificado para poda de subespaço baseado no conceito geométrico de ângulos principais e vetores principais entre um subespaço candidato $S$ e sua imagem $KS$ sob o operador de Koopman.

1. Formulação Geométrica: A qualidade de uma aproximação é quantificada pela proximidade de invariância $\delta(S)$, definida como o seno do ângulo principal máximo entre $S$ e $KS$. Minimizar $\delta(S)$ minimiza diretamente o erro de previsão relativo no pior caso.
2. Algoritmos de Poda:
   • Poda por Vetor Principal Único (SPV): Um algoritmo iterativo que identifica o vetor principal correspondente ao maior ângulo principal (a direção com o "vazamento" mais significativo) e o remove do dicionário. Os autores provam que o SPV é algebricamente equivalente ao algoritmo EDMD Recursivo Forward-Backward (RFB-EDMD), estabelecendo que os autovetores da matriz de consistência do RFB-EDMD são precisamente os vetores principais do subespaço.
   • Poda por Múltiplos Vetores Principais (MPV): Uma estratégia que remove todos os vetores principais que violam a tolerância de invariância $\epsilon$ simultaneamente em um único lote. Embora computacionalmente eficiente, o artigo demonstra que a poda MPV agressiva pode levar a significativa "deriva numérica", causando a perda de autofunções aproximadas que deveriam ser retidas.
   • Estratégia Híbrida MPV-SPV: Para equilibrar eficiência e estabilidade, os autores introduzem uma abordagem híbrida. Ela aplica primeiro MPV com uma tolerância relaxada para eliminar rapidamente as direções mais não invariantes, seguida por SPV com a tolerância-alvo estrita para ajustar finamente o subespaço. Isso mitiga a deriva numérica cumulativa inerente ao SPV sequencial, evitando ao mesmo tempo a perda de informação excessivamente agressiva do MPV puro.
3. Cálculo Eficiente: Para garantir escalabilidade para dicionários grandes, o artigo desenvolve um esquema de atualização numérica baseado em modificações de posto um e decomposições QR incrementais. Isso permite o recálculo dos ângulos e vetores principais após a poda sem realizar uma Decomposição em Valores Singulares (SVD) completa a cada passo, reduzindo a complexidade computacional em uma ordem de magnitude.
4. Framework de Previsão de Estado: O subespaço podado é utilizado para construir um modelo linear elevado. Os autores propõem uma arquitetura desacoplada onde a dinâmica evolui dentro do subespaço invariante, e um mapa de elevação auxiliar reconstrói o estado original, permitindo que os projetistas troquem entre invariância (estabilidade de longo prazo) e precisão de reconstrução (fidelidade de curto prazo).

Principais Contribuições

• Unificação Geométrica: O artigo estabelece a equivalência algébrica entre poda baseada em consistência (RFB-EDMD) e poda por vetores principais, fornecendo uma interpretação geométrica dos índices de consistência via ângulos principais.
• Novos Algoritmos de Poda: A introdução do algoritmo MPV e da estratégia híbrida MPV-SPV. A abordagem híbrida é especificamente projetada para mitigar a deriva numérica observada na poda sequencial, garantindo melhor retenção de autofunções aproximadas.
• Análise de Retenção: Limites teóricos são derivados para a retenção de autofunções "externas" (aquelas ligeiramente fora do dicionário inicial devido à precisão finita). A análise prova que a abordagem de múltiplos vetores melhora significativamente a retenção dessas funções ao reduzir a amplificação cumulativa de erros.
• Eficiência Computacional: O desenvolvimento de um esquema de atualização eficiente usando correções de posto um e atualizações QR incrementais, que reduz drasticamente o custo da poda iterativa para problemas de grande escala.
• Modelagem Equilibrada: Um framework para construir modelos lineares elevados que gerencia explicitamente o compromisso entre minimizar o erro de invariância e minimizar o erro de reconstrução de estado.

Resultados
Experimentos numéricos em um sistema não linear 2D e no oscilador de Van Der Pol validam os métodos propostos:

• Precisão: O algoritmo híbrido MPV-SPV supera tanto o SPV puro quanto o MPV puro em termos de precisão. Ele recupera com sucesso um subespaço contendo as autofunções verdadeiras do sistema com deriva numérica mínima, enquanto métodos iterativos ingênuos degradam a precisão à medida que o tamanho do dicionário aumenta.
• Eficiência: Benchmarks mostram que o esquema de atualização de posto um reduz significativamente o tempo de execução, particularmente para tamanhos grandes de dicionário. O custo adicional das etapas de poda é mínimo em comparação com o cálculo inicial da SVD.
• Desempenho de Previsão: Na simulação do oscilador de Van Der Pol, o modelo podado (dimensão $s=12$) demonstrou superioridade na precisão de previsão de longo prazo em comparação com a EDMD padrão e a EDMD de kernel (dimensão $s=289$). Embora a EDMD de kernel oferecesse melhores estimativas de curto prazo, ela tornou-se instável ao longo do tempo, enquanto o modelo podado manteve erro baixo tanto no estado elevado quanto no estado físico reconstruído ao longo de 3000 passos de tempo.

Significância
O artigo afirma que sua principal significância reside em fornecer um framework algébrico rigoroso, escalável e numericamente estável para a construção de modelos de Koopman com invariância estrutural garantida. Ao vincular métodos baseados em consistência à geometria de vetores principais, o trabalho oferece uma explicação teórica para a deriva numérica na poda sequencial e fornece uma solução prática (a estratégia híbrida) para mitigá-la. A capacidade de rastrear eficientemente os ângulos principais via atualizações de posto um torna essas técnicas rigorosas de poda viáveis para aplicações de grande escala orientadas a dados. Em última análise, o framework aborda a necessidade crítica de previsão confiável de longo horizonte e aproximação precisa de autofunções, que são essenciais para controle orientado a dados e análise de estabilidade em sistemas não lineares complexos.