Resumo Técnico: Aprendizado de Dicionário Geométrico de Sistemas Dinâmicos com Transporte Ótimo

1. Formulação do Problema

O aprendizado de sistemas dinâmicos (SD) a partir de dados tipicamente depende de representações de teoria de operadores, como o operador de Koopman, onde quantidades espectrais (autovalores, subespaços invariantes) codificam escalas de tempo e comportamento de longo prazo. No entanto, os métodos atuais enfrentam duas limitações primárias:

1. Estimativa Específica de Instância: Os operadores dinâmicos são tipicamente estimados independentemente para cada sistema. Isso impede a descoberta de padrões estruturais compartilhados entre sistemas relacionados, tornando o aprendizado por transferência e a comparação mal-postos.
2. Escassez de Dados e Geometria: A estimativa precisa geralmente requer trajetórias longas e informativas. Em configurações práticas com trajetórias curtas, parciais ou metastáveis, os estimadores padrão tornam-se estatisticamente instáveis. Além disso, o espaço dos operadores dinâmicos é não euclidiano (espectral e de teoria de operadores), tornando os métodos clássicos de aprendizado de dicionário linear inaplicáveis.

As abordagens existentes ou fornecem representações de operadores expressivas que permanecem específicas para instâncias individuais ou permitem comparações fundamentadas sem apoiar o aprendizado de estrutura compartilhada. Há uma falta de um quadro unificado que capture a estrutura de operadores compartilhada enquanto permite operações geométricas e transferência.

2. Metodologia: DOODL

Os autores propõem o DOODL (Aprendizado de Dicionário de Operador Dinâmico), um quadro baseado na hipótese de que sistemas dinâmicos relacionados residem próximos a uma variedade de baixa dimensão no espaço de operadores espectrais.

2.1 Geometria Espectral e Transporte Ótimo

O DOODL opera sobre as decomposições espectrais de operadores. Para um operador $G$ com decomposição espectral $G = \sum \lambda_i P_i$ (onde $\lambda_i$ são autovalores e $P_i$ são projetores espectrais), o método representa $G$ como uma medida espectral discreta $\mu(G)$.
Para comparar operadores, o DOODL utiliza a divergência Transporte Ótimo Grassmanniano Espectral (SGOT). Esta métrica alinha conjuntamente autovalores e subespaços invariantes (projetores) via um plano de transporte ótimo, definindo uma geometria no espaço de operadores que captura tanto escalas de tempo dinâmicas quanto estruturas coerentes.

2.2 Aprendizado de Dicionário em uma Variedade Riemanniana

O DOODL aprende um dicionário de $d$ dinâmicas espectrais características (átomos) $\mathcal{G} = \{G_1, \dots, G_d\}$.

• Estrutura da Variedade: O espaço das decomposições espectrais é caracterizado como uma variedade quociente Riemanniana suave $\mathcal{M} = \mathcal{N} / (\mathbb{C}^*)^r$, onde $\mathcal{N}$ é o espaço dos autovalores e autovetores bi-ortogonais. Esta estrutura conta com a não unicidade dos autovetores sob redimensionamento.
• Modelo de Reconstrução: Diferentemente do aprendizado de dicionário clássico que usa combinações lineares, o DOODL emprega um modelo de reconstrução não linear. Dados coeficientes $\alpha$ no simplex $\Delta^{d-1}$, a reconstrução $B_p(\alpha; \mathcal{G})$ realiza uma combinação linear de componentes espectrais (autovalores, autovetores esquerdo/direito) seguida por uma projeção sobre a variedade de decomposições espectrais para restaurar a restrição de bi-ortogonalidade. Esta abordagem equilibra eficiência computacional com fidelidade geométrica.
• Otimização: O dicionário e os coeficientes são aprendidos minimizando a divergência SGOT média entre os operadores observados e suas reconstruções. A otimização é realizada via uma estratégia estocástica de coordenadas de bloco inexata usando descida de gradiente Riemanniana na variedade.

2.3 Estimativa de Operador Baseada em Dicionário

Uma aplicação chave do DOODL é estimar operadores a partir de trajetórias curtas. Em vez de estimar um operador de alta dimensão sem restrições, o método restringe o espaço de busca à variedade de operadores aprendida (a imagem do modelo de reconstrução). Isso atua como um regularizador, reduzindo a dimensionalidade efetiva do problema de estimativa.

3. Garantias Teóricas

O artigo fornece garantias estatísticas para a estimativa de operadores a partir de trajetórias curtas (Teorema 1).

• Desigualdade do Oráculo: O risco excessivo do estimador DOODL é limitado por um termo de viés (erro de aproximação da variedade aprendida) e um termo de variância.
• Redução de Dimensionalidade: A complexidade do termo de variância é governada pela dimensão intrínseca $m$ da variedade de operadores aprendida, e não pelo tamanho do dicionário ambiente $d$.
• Mistura: Os limites valem para trajetórias $\beta$-misturadas, com o tamanho efetivo da amostra ajustado para dependência temporal.
• Decaimento do Viés: O viés do dicionário desaparece assintoticamente à medida que o comprimento das trajetórias de treinamento aumenta, confirmando que a variedade aprendida converge para a estrutura subjacente verdadeira.

4. Resultados Experimentais

O quadro foi avaliado em dois domínios distintos:

4.1 Dinâmica de Langevin Metastável

• Configuração: Um sistema de Langevin amortecido unidimensional com um potencial de dois poços, onde a largura do potencial $w$ varia.
• Descobertas:
  • Descoberta de Variedade: O DOODL identificou com sucesso que a família de sistemas reside em uma variedade de baixa dimensão (aproximadamente 1D) no espaço de operadores. Os átomos aprendidos alinharam-se suavemente com a variação na largura do potencial.
  • Desempenho com Trajetórias Curtas: Em regimes com trajetórias truncadas (até 10k amostras), o DOODL alcançou erros SGOT uma a duas ordens de magnitude menores do que estimadores independentes de Regressão de Rank Reduzido (RRR) e linhas de base de aprendizado de dicionário linear.
  • Mudança de Regime: O método permitiu a detecção de mudanças abruptas de regime ao rastrear a evolução dos coeficientes de incorporação sobre janelas deslizantes, demonstrando descontinuidades agudas nos tempos de comutação.

4.2 Dinâmica de Plasma Turbulento

• Configuração: Simulações de alta dimensão de turbulência de plasma de borda (Tokam2D) governadas por parâmetros que controlam gradientes de densidade ($\kappa$) e acoplamento de intercâmbio ($g$).
• Pipeline: O método utilizou um modelo fundamental de EDP congelado (POSEIDON) para extrair descritores espaciais, seguido pelo aprendizado de coordenadas temporais e estimativa de representações de geradores de rank finito.
• Descobertas:
  • Organização Geométrica: A geometria SGOT recuperou a estrutura de variedade 2D dos regimes de plasma correspondentes a $(g, \kappa)$ sem supervisão.
  • Recuperação de Parâmetros: A regressão de parâmetros físicos a partir das coordenadas baricêntricas aprendidas resultou em altos escores $R^2$ ($0,81$ para $g$, $0,97$ para $\kappa$).
  • Identificação Precoce: A restrição da estimativa à variedade espectral aprendida permitiu a recuperação confiável de operadores e identificação de parâmetros a partir de prefixos de trajetórias curtas (até 3k passos de tempo), superando significativamente a estimativa direta sem restrições. O parâmetro $\kappa$ (assinatura espectral dominante) foi recuperado mais rapidamente do que $g$ (assinatura espectral distribuída).

5. Significância e Alegações

O artigo alega que o DOODL oferece um quadro fundamentado para aprendizado de representação transferível em sistemas dinâmicos. Sua significância primária reside em:

1. Captura de Estrutura Compartilhada: Avança além da estimativa específica de instância para aprender um "dicionário" compartilhado de dinâmicas espectrais características, permitindo a comparação e interpolação de sistemas relacionados.
2. Eficiência de Dados: Ao restringir a estimativa a uma variedade espectral de baixa dimensão aprendida, o DOODL permite estimativa de operadores rápida e interpretável a partir de trajetórias curtas e parcialmente observadas onde métodos clássicos falham.
3. Fidelidade Geométrica: Respeita a geometria intrínseca não euclidiana dos operadores dinâmicos através de otimização Riemanniana e Transporte Ótimo, evitando as armadilhas de aproximações lineares ingênuas no espaço de operadores.
4. Interpretabilidade Física: As incorporações aprendidas correspondem a parâmetros físicos e regimes dinâmicos, facilitando a identificação de sistemas e detecção de mudanças de regime em ambientes complexos e multiescala, como turbulência de plasma.

Os autores reconhecem limitações, notando que o problema de otimização é não convexo e a variedade aprendida é estática, não adaptando-se online a mudanças de distribuição. Sugere-se trabalho futuro para explorar variantes contínuas e adaptativas.