Resumo Técnico: Aprendizado de Modelos de Ordem Reduzida Control-Affine via Autoencoders

Formulação do Problema

O artigo aborda o desafio de identificar modelos de ordem reduzida (ROMs) para sistemas dinâmicos não lineares de alta dimensão regidos por equações diferenciais parciais (PDEs) ou simulações complexas. Métodos tradicionais baseados em projeção (ex: POD-Galerkin) exigem conhecimento explícito das equações governantes, o que muitas vezes não está disponível em cenários baseados em dados. Embora abordagens de aprendizado profundo usando autoencoders (AEs) tenham identificado com sucesso variedades latentes de baixa dimensão, a dinâmica latente resultante é frequentemente não estruturada, complexa ou puramente linear.

Uma limitação específica surge quando esses modelos são destinados a aplicações de controle. Dinâmicas latentes puramente lineares podem falhar em capturar comportamentos não lineares complexos, enquanto dinâmicas latentes não lineares gerais frequentemente carecem da estrutura necessária para um design de controle eficiente (ex: linearização por realimentação). Os autores identificam uma lacuna nos ROMs baseados em dados existentes: a falta de um framework que imponha uma estrutura control-affine nas dinâmicas latentes, o que equilibra a capacidade de modelagem não linear com a tratabilidade analítica necessária para o controle.

Metodologia

1. Dinâmica Latente Control-Affine

A principal contribuição é um framework que aprende uma representação latente $z_k \in \mathbb{R}^r$ onde a dinâmica segue uma estrutura control-affine em tempo discreto:
$$z_{k+1} = a_{\phi_1}(z_k) + B_{\phi_2}(z_k) \cdot u_k$$
Aqui, $a_{\phi_1}$ é uma rede de "drift" que representa a dinâmica autônoma, e $B_{\phi_2}$ é uma rede de "entrada" que interage com a entrada de controle $u_k$ de maneira afim. Esta estrutura é escolhida porque se alinha com muitos sistemas físicos (ex: robótica, reatores químicos) e permite a aplicação de linearização por realimentação.

2. Estratégia de Treinamento Conjunto

Ao contrário das abordagens padrão que desacoplam o treinamento do autoencoder do aprendizado da dinâmica, este método emprega uma estratégia de treinamento simultâneo: o encoder ($E_\theta$), o decoder ($D_\phi$) e o modelo de dinâmica latente ($G_\phi$) são otimizados conjuntamente usando uma função de perda multiobjetivo:
$$L = \gamma_1 L_{AE} + \gamma_2 L_{lat-cons} + \gamma_3 L_{dyn}$$

• $L_{AE}$: Erro de reconstrução do estado de alta dimensão.
• $L_{lat-cons}$: Perda de consistência garantindo que a dinâmica latente preveja com precisão os estados futuros codificados ($E_\theta(x_{k+l})$). Este termo é crucial para garantir que a dinâmica do espaço latente seja consistente com a verdade fundamental (ground truth), impedindo que o decoder compense uma dinâmica latente deficiente.
• $L_{dyn}$: Erro fim-a-fim no espaço de alta dimensão.

O framework também suporta autoencoders de entrada para comprimir entradas de controle de alta dimensão (ex: campos de fronteira distribuídos) em um vetor de entrada latente $u'_k$, permitindo que a estrutura control-affine lide com atuação de alta dimensão.

3. Formulação Baseada em Sequências

Para melhorar a precisão da predição sem sacrificar a estrutura control-affine, os autores estendem o modelo para operar em sequências. Um vetor de estado estendido $\xi_k$ é construído contendo históricos de estados e entradas latentes. A dinâmica é então modelada como:
$$\xi_{k+1} = \alpha(\xi_k) + \beta(\xi_k) \cdot u_k$$
onde $\alpha$ inclui um operador de deslocamento linear para memória e um termo de drift não linear, e $\beta$ aplica a entrada de controle. Esta formulação permite que o modelo capture efeitos de atraso temporal e dependência de histórico, mantendo a propriedade control-affine.

4. Linearização por Realimentação

O artigo fornece diretrizes para aplicar a linearização por realimentação ao ROM aprendido.

• Linearização de Estado Total: Para o modelo padrão, se a matriz de entrada $B_{\phi_2}(z_k)$ tiver posto de linha total ($r \leq m$), uma lei de realimentação pode ser derivada para transformar a dinâmica não linear em um sistema linear $z_{k+1} = \bar{A}z_k + \bar{B}v_k$.
• Linearização Entrada-Saída: Para o modelo baseado em sequências, a linearização de estado total é estruturalmente impossível devido ao buffer de memória. No entanto, os autores provam que a linearização exata de entrada-saída é alcançável tratando o estado latente atual como a saída, desde que a matriz de entrada do sistema estendido tenha posto total. Isso permite o uso de controladores lineares padrão (ex: PID, LQR) no espaço latente.

Principais Contribuições

1. Framework de ROM Control-Affine: Um novo método baseado em dados que impõe uma estrutura control-affine nas dinâmicas latentes, preenchendo a lacuna entre a modelagem não linear expressiva e a tratabilidade do controle.
2. Otimização Conjunta: Uma estratégia de treinamento que aprende simultaneamente a transformação de coordenadas (AE) e a dinâmica estruturada, garantindo que o espaço latente seja compatível com a suposição control-affine.
3. Extensão Baseada em Sequências: Uma adaptação do modelo control-affine para lidar com históricos de estado e entrada, melhorando a precisão da predição enquanto preserva a estrutura afim.
4. Garantias Teóricas para Controle: Proposições formais estabelecendo condições sob as quais os ROMs aprendidos podem ser exatamente linearizados via realimentação, permitindo o uso de técnicas de controle linear em modelos de ordem reduzida não lineares.
5. Implementação Open-Source: Os autores disponibilizam o DeepE2EROM, um pacote Python que implementa o framework de treinamento fim-a-fim.

Resultados Experimentais

O framework foi avaliado em dois exemplos numéricos:

1. Equação do Calor Unidimensional

• Configuração: Um problema de controle distribuído onde o estado é um campo de temperatura e a entrada é uma fonte de calor espacialmente distribuída. Tanto o estado quanto a entrada eram de alta dimensão.
• Desempenho: O ROM control-affine superou significativamente um baseline de ROM com dinâmicas latentes lineares. Alcançou uma redução de duas vezes no RMSE fim-a-fim e uma melhoria mais pronunciada na precisão da dinâmica latente.
• Controle: O modelo foi usado com sucesso para rastrear uma trajetória de temperatura de referência usando linearização por realimentação combinada com um controlador PID. O controlador gerou com sucesso as entradas de calor distribuídas necessárias para guiar o sistema.

2. Bola em Caixa (Simulação 2D)

• Configuração: Uma bola movendo-se em uma caixa unitária com fortes forças repulsivas não lineares próximas às bordas, observada via frames de câmera de 64x64.
• Desempenho: O ROM control-affine superou o baseline linear tanto em configurações forçadas (atuadas) quanto autônomas. Na configuração forçada, alcançou aproximadamente metade do RMSE fim-a-fim e um terço do erro latente do baseline.
• Dinâmica Autônoma: Mesmo sem treinamento explícito em trajetórias autônomas, o modelo identificou com precisão o ponto de equilíbrio do sistema.
• Controle: O modelo permitiu o rastreamento de trajetória circular usando um controlador proporcional nas dinâmicas latentes linearizadas.

Significância e Alegações

O artigo afirma que impor uma estrutura control-affine nas dinâmicas latentes oferece um "compromisso poderoso". Ele retém a capacidade de modelagem não linear precisa enquanto permite o uso de técnicas de controle linear bem estabelecidas (via linearização por realimentação) após uma transformação de coordenadas adequada.

Os autores enfatizam que, embora as dinâmicas latentes lineares sejam populares (frequentemente ligadas à teoria do operador de Koopman), elas podem ser insuficientes para sistemas não lineares complexos. Por outro lado, modelos latentes não lineares gerais frequentemente carecem de interpretabilidade e tratabilidade de controle. A abordagem control-affine proposta aborda essas limitações ao alinhar-se naturalmente com uma ampla classe de sistemas de engenharia onde as dinâmicas são não lineares no estado, mas afins na entrada de controle.

O trabalho é modesto em seu escopo, observando que a linearização por realimentação de estado total exige que a dimensão latente seja menor ou igual ao número de entradas ($r \leq m$), o que pode ser restritivo para sistemas com poucos atuadores. Nesses casos, os autores reconhecem que apenas a linearização parcial por realimentação é possível. Um trabalho futuro é sugerido para abordar isso através da decomposição do espaço latente em subespaços controláveis e não atuados.

O artigo conclui que o framework proposto, validado em sistemas baseados em PDEs e baseados em imagens, fornece uma base robusta para o design de controladores para sistemas de alta dimensão diretamente a partir de dados.