Learning Stable Controlled Dynamical Systems via Input-Contraction Neural Differential Models

Resumo Técnico: Aprendizado de Sistemas Dinâmicos Controlados Estáveis via Modelos Diferenciais Neurais de Contração por Entrada

Definição do Problema
O artigo aborda uma limitação crítica na identificação de sistemas baseada em dados: a incapacidade dos modelos de Equações Diferenciais Ordinárias Neurais (Neural ODEs) existentes em garantir estabilidade estrutural ao modelar sistemas não autônomos sujeitos a entradas de controle variantes no tempo. Embora as Neural ODEs tenham modelado com sucesso campos vetoriais autônomos, suas extensões para sistemas controlados (ex: Neural CDEs, ICODE) frequentemente tratam as entradas externas de forma heurística. Consequentemente, esses modelos carecem de garantias rigorosas de estabilidade em malha fechada sob sequências de entrada genéricas e não nulas. Essa deficiência leva ao acúmulo de erro, divergência de estado e sensibilidade extrema a perturbações externas durante simulações de longo horizonte, tornando-os pouco confiáveis para aplicações de segurança crítica em robótica e controle industrial.

Metodologia: O Modelo Diferencial Neural de Contração por Entrada (ICNDM)
Os autores propõem o Modelo Diferencial Neural de Contração por Entrada (ICNDM), um framework projetado para aprender representações de tempo contínuo de sistemas controlados enquanto garante convergência exponencial incremental. A metodologia integra três componentes principais:

1. Arquitetura com Codificação de Entrada: Ao contrário das abordagens de concatenação padrão, o ICNDM emprega um codificador de entrada neural dedicado, $E_\phi(u)$, para mapear as entradas de controle brutas em um espaço latente. Isso desacopla os sinais de controle de alta frequência do acoplamento algébrico direto com o vetor de estado, estabilizando as variações de gradiente durante a integração de ODEs rígidas (stiff).
2. Otimização Conjunta de Métrica Neural: O framework aprende simultaneamente o campo vetorial neural não autônomo, $f_\theta(x, E_\phi(u))$, e uma métrica de contração Riemanniana generalizada, $M_\omega(x)$. Para garantir que a métrica permaneça uniformemente definida positiva, os autores impõem uma restrição estrutural usando uma decomposição de Cholesky localizada ($M_\omega(x) = L_\omega(x)L_\omega(x)^T + \epsilon I$).
3. Função Objetivo Regularizada: O objetivo de treinamento combina uma perda de previsão de trajetória padrão com dois regularizadores estruturais:
   • Uma penalidade de barreira espectral suave ($L_c$) que impõe a condição de contração $\Psi(x, u) \preceq -\beta M_\omega(x)$, onde $\Psi$ é a matriz de contração não autônoma generalizada envolvendo o Jacobiano do estado e a derivada temporal da métrica.
   • Um regularizador de norma de Frobenius ($L_u$) sobre o Jacobiano da entrada para limitar a sensibilidade do campo vetorial a variações de entrada de alta frequência.

Contribuições Teóricas
O artigo fornece garantias teóricas formais para a arquitetura proposta:

• Convergência Exponencial Incremental: Sob a suposição de que a perda de contração espectral é minimizada, os autores provam que quaisquer duas trajetórias impulsionadas pela mesma sequência de entrada convergem exponencialmente, com o erro decaindo como $e^{-\beta t/2}$.
• Contração de Estado para Entrada (ISC): Os autores derivam condições suficientes para a contração de estado para entrada sob distúrbios externos limitados. Eles estabelecem que o desvio de rastreamento entre trajetórias impulsionadas por diferentes entradas é globalmente limitado por um termo dependente da diferença de entrada e da constante de Lipschitz do sistema, garantindo robustez contra perturbações de entrada.

Resultados Experimentais
O desempenho do ICNDM foi avaliado contra cinco baselines de última geração (Standard Neural ODE, Controlled Neural ODE, ICODE, ControlSynth e Differential Neural Networks) em dois domínios:

1. Benchmarks Caóticos Não Lineares: Testes em osciladores de Duffing e Van der Pol impulsionados por entradas senoidais de multifrequência demonstraram que o ICNDM supera significativamente os baselines em previsões de longo horizonte. Enquanto os modelos padrão exibiram acúmulo substancial de erro (ex: MSE subindo para $1,89 \times 10^{-1}$ para o Standard NODE no oscilador de Duffing após 200 passos), o ICNDM manteve limites estáveis (MSE de $1,02 \times 10^{-3}$).
2. Sistema de Acionamento PMSM Físico: A validação em um conjunto de dados de Motor Síncrono de Ímãs Permanentes (PMSM) confirmou a utilidade prática do modelo. Em rollouts de 500 passos da corrente do eixo de quadratura, modelos não restritos desviaram-se significativamente do valor real, enquanto o ICNDM rastreou a dinâmica real com precisão.
3. Robustez ao Ruído: Experimentos injetando ruído Gaussiano nos canais de entrada mostraram que o ICNDM degrada graciosamente conforme os níveis de ruído aumentam, ao passo que os modelos baseline sofreram crescimento rápido de erro. Esse comportamento valida empiricamente as propriedades teóricas de Contração de Estado para Entrada.

Significância e Alegações
O artigo afirma preencher a lacuna entre a modelagem consciente da entrada e as propriedades de estabilidade estrutural. Ao modelar explicitamente as ações de controle variantes no tempo enquanto garante a contração de estado para entrada através da otimização conjunta de métrica, o ICNDM oferece uma solução para a instabilidade inerente às equações diferenciais neurais sem restrições. Os autores afirmam que este framework fornece garantias assintóticas rigorosas para sistemas controlados altamente não lineares, uma capacidade anteriormente restrita a formulações autônomas ou que assumem entradas constantes. O trabalho posiciona o ICNDM como uma ferramenta robusta para identificação de sistemas em ambientes dinâmicos, com superioridade demonstrada na redução do desvio de longo horizonte e no aumento da resiliência a perturbações de entrada.