Randomized Atomic Feature Models for Physics-Informed Identification of Dynamic Systems

Resumo Técnico: Modelos de Características Atômicas Randomizadas para Identificação Física de Sistemas Dinâmicos

1. Formulação do Problema

A identificação de sistemas situa-se na interseção entre a aprendizagem baseada em dados e a modelagem física. Os métodos existentes geralmente se enquadram em duas categorias, cada uma com limitações:

• Regressão Esparsa (Dicionário Finito): Métodos como a Identificação Esparsa de Dinâmicas Não Lineares (SINDy) utilizam funções de base pré-selecionadas. Embora a estimação se reduza a mínimos quadrados lineares com penalidades de esparsidade, a incorporação de priores físicos (estabilidade, passividade, limites de ganho DC, tempos de acomodação) exige funções de base personalizadas ou restrições complexas, frequentemente destruindo a simplicidade da formulação original.
• Regularização por Kernel (Dicionário Infinito): Métodos que utilizam Espaços de Hilbert de Kernel Reprodutor (RKHS) com kernels como Tuned-Correlated (TC) ou Stable-Spline lidam implicitamente com dicionários infinitos e codificam estabilidade. No entanto, os átomos são ocultos, a matriz de Gram escala com o tamanho dos dados, e a imposição simultânea de múltiplas restrições de engenharia rígidas frequentemente exige o redesenho do kernel ou a resolução de problemas híbridos.

O artigo aborda a necessidade de um framework que una essas abordagens: um que mantenha a interpretabilidade de dicionários modais explícitos, a escalabilidade de características randomizadas e a capacidade de impor diversas restrições físicas dentro de um único problema de otimização convexa.

2. Metodologia

Os autores propõem Características Atômicas Randomizadas (RAF) baseadas em características atômicas estáveis amostradas a partir de um disco prescrito no plano complexo.

Representação Central:
A resposta ao impulso $h(t)$ é aproximada como uma superposição aleatória de átomos estáveis (exponenciais complexas amortecidas):
$$h(t) \approx \sum_{m=1}^M c_m p_m^t, \quad |p_m| \le \rho < 1$$
onde os polos $p_m$ são amostrados de uma distribuição sobre um disco admissível, e os resíduos $c_m$ são aprendidos a partir dos dados.

Estrutura Matemática:

• Medida Atômica: O método define uma medida atômica finita $\gamma_{M,T}$ induzida pelos polos amostrados. A penalidade $\ell_1$ na regressão é mostrada como sendo exatamente essa penalidade de medida atômica finita.
• Conexão com Kernel: O kernel empírico formado pelos polos amostrados aproxima um kernel contínuo suportado em disco $K_\mu(s,t) = \int_{|p|\le\rho} p^s \bar{p}^t d\mu(p)$. Isso conecta a abordagem aos kernels Locais Estacionários Modulados em Amplitude (AMLS), fornecendo uma interpretação de características randomizadas para um RKHS modal estável.
• Otimização Convexa: A identificação é formulada como um problema de mínimos quadrados regularizado:
  $$\min_{c,D} \frac{1}{2}\|y - Xc - Du\|_2^2 + \lambda \Omega(c)$$
  onde $X$ é a matriz de projeto dos átomos convoluídos. Crucialmente, as localizações dos polos são fixas durante esta etapa convexa, tornando o problema tratável.

Restrições Informadas pela Física:
O framework permite que priores físicos sejam impostos via lei de amostragem (por exemplo, restringindo polos a setores específicos ou regiões anulares) ou via restrições convexas sobre os resíduos e termos de passagem direta. As restrições suportadas incluem:

• Margens de estabilidade (via $|p_m| \le \rho$).
• Orçamentos de tempo de acomodação e cauda (via limites de cauda $\ell_1$).
• Limites de ganho DC e parâmetros de Markov.
• Passividade (via LMI KYP).
• Monotonicidade e ausência de sobressinal (via restrições de sinal em polos reais).
• Máscaras de resposta em frequência (via restrições SOCP ou LMI).

3. Contribuições Principais

O artigo apresenta cinco contribuições teóricas e práticas primárias:

1. Unificação: Unifica dicionários modais finitos, regularização por kernel e características atômicas randomizadas através do conceito de medidas de polos suportadas em disco.
2. Teorema Disco–Bochner: Os autores provam um novo resultado de teoria de operadores. Eles mostram que medidas positivas sobre polos estáveis geram kernels positivos-definidos com um defeito de deslocamento dependente do raio. Inversamente, provam que uma representação de momento escalar de disco para um kernel arbitrário existe se e somente se o deslocamento canônico associado ao kernel for subnormal. Isso distingue a contratividade simples da estrutura espectral mais forte requerida para uma representação de medida escalar.
3. Conexão Nevanlinna–Pick (NP): O artigo estabelece uma conexão consistente entre o framework RAF e a interpolação NP. Demonstra que funções de transferência normalizadas satisfazendo restrições de ganho podem ser parametrizadas via Transformações Fracionárias Lineares (LFT), permitindo que o modelo RAF sirva como uma aproximação interna do problema de pertinência ao conjunto de Schur.
4. Recuperação Esparsa e Condicionamento: Os autores analisam o condicionamento da matriz de Vandermonde de disco. Destacam que, para átomos suportados em disco, tanto a separação angular quanto a separação radial são críticas para garantias de recuperação esparsa, pois polos com raios e ângulos similares podem ser quase colineares sobre horizontes finitos.
5. Integração de Priores de Engenharia: O framework demonstra como priores de engenharia diversos (estabilidade, passividade, monotonicidade, etc.) podem ser codificados simultaneamente em um único problema mestre convexo (QP/SOCP/LMI) sem redesenhar o kernel.

4. Resultados e Validação Numérica

O artigo apresenta um exemplo numérico em um sistema SISO com dois modos subamortecidos, excitado por entrada de baixa largura de banda com ruído aditivo (SNR $\approx$ 30 dB).

• Cenário: Os dados são "pouco informativos", significando que muitos modelos estáveis se ajustam à saída, mas extrapolam de forma diferente.
• Comparação: O método RAF é comparado contra Modelagem por Erro de Predição (PEM), Métodos de Regularização por Kernel (KRM) e Minimização de Norma Atômica (ANM).
• Descobertas:
  • Com apenas priores de estabilidade, métodos randomizados (ANM, RAF) ajustam os dados, mas falham em recuperar unicamente a verdadeira resposta ao impulso devido à excitação pobre.
  • A adição de restrições de setor de polos e esparsidade melhora a recuperação modal tanto para ANM quanto para RAF.
  • Superioridade do RAF: Quando restrições convexas adicionais (ganho DC, orçamento BIBO, máscaras de frequência) são adicionadas, o RAF melhora significativamente a resposta ao impulso recuperada e produz regiões candidatas de polos mais informativas.
  • O exemplo ilustra que, quando os dados são pobres, a capacidade de impor priores de engenharia rígidos é mais crítica do que a escolha específica da função de perda.

5. Significado e Alegações

O artigo posiciona o RAF não como um substituto para métodos de kernel ou minimização de norma atômica, mas como uma ponte prática entre eles.

• Interpretabilidade: Diferentemente de métodos de kernel puros, as características do RAF são modos físicos explícitos (exponenciais amortecidas), permitindo interpretação direta e imposição de restrições.
• Escalabilidade: Diferentemente de métodos de norma atômica sem grade que resolvem problemas de dimensão infinita, o RAF reduz o problema a uma regressão convexa de dimensão finita escalável.
• Informado pela Física: O framework codifica explicitamente margens de estabilidade, localização modal e limites de erro nos domínios do tempo e da frequência diretamente na otimização.
• Alegações Modestas sobre Recuperação: Os autores são explícitos em que o método não garante recuperação exata de polos a partir de um dicionário finito sozinho. Átomos ativos são interpretados como regiões candidatas de polos em vez de estimativas contínuas certificadas. A recuperação exata requer suposições adicionais (dados informativos, separação suficiente, baixo ruído) e frequentemente uma estratégia de dois estágios onde a solução convexa do RAF serve como ponto de partida para refinamento não linear local.

Em resumo, o artigo fornece um framework matematicamente rigoroso e computacionalmente tratável para identificação de sistemas que alavanca características randomizadas para combinar a flexibilidade dos métodos de kernel com a interpretabilidade física e as capacidades de tratamento de restrições de dicionários modais explícitos.