💻 computer science

Operator Learning for Robust Discovery of Fractional-Order Dynamical Systems from Noisy Data

Este artigo propõe um framework robusto para a descoberta de equações governantes de sistemas dinâmicos de ordem fracionária a partir de dados ruidosos, integrando uma Deep Operator Network (DeepONet) para a estimativa precisa da derivada fracionária com o Sparse Identification of Nonlinear Dynamics (SINDy) de conjunto para regressão esparsa, demonstrando precisão e generalização superiores em comparação com métodos clássicos de diferença finita e redes neurais padrão.

Autores originais: Yones Yousefpur Azar, Hossein Kheiri, Hamidreza Marasi

Publicado 2026-09-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yones Yousefpur Azar, Hossein Kheiri, Hamidreza Marasi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A ciência frequentemente busca escrever o livro de regras de como o mundo se move, desde o fluxo de sangue em uma veia até a vibração de uma ponte. Para muitos sistemas, essas regras são escritas como equações que descrevem como as coisas mudam ao longo do tempo. No entanto, alguns sistemas possuem uma memória; seu estado atual depende não apenas do que está acontecendo agora, mas de tudo o que aconteceu antes. Para descrever esse tipo de comportamento, os cientistas usam um tipo especial de matemática chamada cálculo fracionário. Ao contrário das equações padrão que observam mudanças imediatas, essas equações fracionárias olham para todo o histórico de um sistema. Isso as torna incrivelmente poderosas para modelar fenômenos do mundo real, como a maneira como os materiais se esticam e relaxam, ou como doenças se espalham por uma população. Mas esse poder vem com um custo: porque essas equações dependem de todo o passado, elas são notoriamente difíceis de resolver quando os dados são desordenados. No mundo real, as medições nunca são perfeitas; elas estão sempre contaminadas por pequenos erros e ruídos. Quando os cientistas tentam usar ferramentas matemáticas padrão para descobrir as regras desses sistemas baseados em memória a partir de dados ruidosos, os pequenos erros são amplificados, levando frequentemente a conclusões completamente erradas.

Uma equipe de pesquisadores da Universidade de Tabriz desenvolveu uma nova maneira de resolver este problema, permitindo descobrir as regras ocultas desses sistemas complexos mesmo quando os dados são imperfeitos. Sua abordagem, descrita em um estudo recente, combina duas ideias distintas: um tipo de inteligência artificial projetada para entender padrões em dados e um método estatístico que encontra as equações mais simples possíveis que se ajustam a esses dados. Os pesquisadores perceberam que o principal gargalo não era encontrar a equação em si, mas calcular com precisão a parte da "memória" da equação a partir de números ruidosos. Para corrigir isso, eles treinaram uma rede neural para agir como um tradutor especializado. Esta rede aprendeu, através de milhões de exemplos simulados, como olhar para um histórico de um sistema desordenado e ruidoso e produzir instantaneamente uma estimativa limpa e precisa de sua taxa de variação fracionária. Uma vez que este tradutor foi treinado, ele poderia ser usado em medições reais e ruidosas para fornecer os dados limpos necessários para a segunda etapa: identificar a equação governante.

Os pesquisadores testaram esse processo de duas etapas em vários sistemas diferentes, incluindo modelos lineares simples e outros mais complexos, não lineares, que se comportam de forma caótica. Eles compararam seu novo método com as ferramentas matemáticas tradicionais usadas por décadas e contra um tipo padrão de rede neural. Os resultados foram impressionantes. Em testes com sistemas lineares, o método tradicional falhou quase totalmente, produzindo erros tão grandes que as equações resultantes eram inúteis. A rede neural padrão teve um desempenho melhor, mas ainda enfrentou dificuldades quando os dados mudavam ligeiramente do que ela havia visto antes. O novo método, no entanto, permaneceu robusto. Ele identificou com sucesso as equações corretas com alta precisão, mesmo quando os dados de entrada continham ruído significativo. Os pesquisadores descobriram que, para sistemas mais simples, a precisão da estimativa da derivada era a chave; uma vez que limparam os dados usando seu novo tradutor, a etapa de busca da equação funcionou perfeitamente.

No entanto, a história tornou-se mais matizada quando passaram para sistemas não lineares complexos. Aqui, mesmo quando os pesquisadores forneceram os dados de derivada perfeitos e sem ruído, a etapa de busca da equação ainda teve dificuldade em encontrar a resposta correta. Isso revelou uma percepção crítica: para esses sistemas mais complicados, o problema muda. Não se trata mais apenas de limpar os dados; a dificuldade reside no desafio matemático de escolher a equação certa de uma vasta biblioteca de possibilidades quando os dados são ruidosos. Os pesquisadores sugerem que, embora seu novo método resolva o problema da limpeza de dados de forma eficaz, os avanços futuros provavelmente virão da melhoria das próprias ferramentas de busca de equações, e não apenas de tornar melhores os limpadores de dados.

O estudo também explorou o quão bem esse método funciona diante de situações que ele nunca viu antes, como um sistema começando de um estado completamente diferente ou operando por um tempo mais longo do que os dados de treinamento. Nesses testes, o novo método manteve-se significativamente melhor do que a rede neural padrão, que tendia a falhar quando as condições mudavam. Isso sugere que a nova abordagem aprende a estrutura subjacente do comportamento do sistema, em vez de apenas memorizar pontos de dados específicos. Os pesquisadores observam que este método é particularmente útil em engenharia e biologia, onde os cientistas muitas vezes conhecem a família geral de equações que descrevem um tipo de sistema, mas precisam encontrar as regras específicas para um novo experimento individual. Ao treinar o tradutor uma única vez em dados simulados, ele pode ser reutilizado para muitos experimentos diferentes do mundo real sem a necessidade de ser retreinado, economizando tempo e poder computacional.

Em última análise, este trabalho demonstra que o maior obstáculo para compreender sistemas baseados em memória não é a complexidade das equações em si, mas a confiabilidade dos dados usados para encontrá-las. Ao usar uma inteligência artificial especializada para limpar os dados antes que a matemática comece, os pesquisadores mostraram um caminho claro para uma descoberta mais precisa. Embora o método ainda enfrente desafios com os sistemas mais complexos e caóticos, ele representa um passo significativo à frente. Sugere que, ao separar a tarefa de limpar os dados da tarefa de encontrar as regras, os cientistas podem construir modelos mais confiáveis do mundo, transformando observações ruidosas e imperfeitas em leis claras e compreensíveis da natureza.

Resumo Técnico: Aprendizado de Operadores para a Descoberta Robusta de Sistemas Dinâmicos de Ordem Fracionária a partir de Dados Ruidosos

Definição do Problema
A identificação de equações governantes para sistemas dinâmicos de ordem fracionária a partir de dados experimentais ruidosos enfrenta um gargalo crítico: a estimativa de derivadas fracionárias. Diferente das derivadas de ordem inteira, as derivadas fracionárias (especificamente a derivada de Caputo) são operadores não locais que dependem de todo o histórico da solução. Esta propriedade torna a diferenciação numérica altamente sensível ao ruído de medição; mesmo pequenas perturbações nas trajetórias observadas são amplificadas durante a acumulação de dados históricos, levando a estimativas de derivada imprecisas. Uma vez que métodos de identificação de sistemas esparsos, como o SINDy (Identificação Esparsa de Dinâmica Não Linear), dependem fortemente da qualidade desses inputs de derivada, os erros induzidos pelo ruído na estimativa da derivada propagam-se diretamente para o processo de descoberta, resultando frequentemente em estruturas de modelo incorretas ou coeficientes não confiáveis. Embora tentativas recentes tenham adaptado o SINDy para sistemas fracionários, elas dependem majoritariamente de aproximações numéricas clássicas (ex: Diferenças Finitas Fracionárias, FFD) que permanecem instáveis em ambientes ruidosos.

Metodologia
Os autores propõem uma estrutura híbrida de dois estágios que desacopla a estimativa da derivada fracionária da descoberta da equação governante. Esta abordagem separa o aprendizado do operador de diferenciação da tarefa de regressão esparsa para melhorar a robustez e a reutilização.

Aprendizado de Operador Offline (DeepONet):
- Um Deep Operator Network (DeepONet) é treinado offline em trajetórias sintéticas geradas a partir de uma família conhecida de sistemas de ordem fracionária.
- A rede aprende o mapeamento $G: (x(t), t) \mapsto D^\alpha x(t)$ , onde o input é a trajetória de estado ruidosa e a coordenada temporal, e o alvo de supervisão é a derivada fracionária exata computada a partir das equações governantes.
- A arquitetura consiste em uma rede de ramo (processando o histórico de estado) e uma rede de tronco (codificando o tempo), combinadas via produto interno.
- Uma vez treinada, esta rede atua como um substituto (surrogate) reutilizável e baseado em dados para a derivada de Caputo. Ela processa medições ruidosas para produzir estimativas de derivada densadas. Ao contrário da FFD, que possui complexidade $O(N_t^2)$ , a inferência do DeepONet escala linearmente $O(N_t)$ .
Identificação Esparsa Online (Ensemble SINDy):
- As estimativas de derivada densadas geradas pelo DeepONet são alimentadas em um algoritmo Ensemble SINDy.
- Uma biblioteca candidata de funções não lineares (polinômios) é construída a partir dos estados medidos.
- As equações governantes são identificadas resolvendo um problema de regressão esparsa ( $\hat{D}^\alpha X = \Theta(X)\Xi$ ) usando Mínimos Quadrados Limiarizados Sequencialmente (STLS) através de múltiplas amostras de bootstrap. Os coeficientes finais são agregados com base em sua frequência de seleção para garantir estabilidade.

Principais Contribuições

Estrutura Híbrida: O artigo introduz um novo pipeline combinando DeepONets pré-treinados com Ensemble SINDy para descobrir robustamente equações de ordem fracionária a partir de dados ruidosos.
Estratégia Desacoplada: Ao separar a estimativa da derivada da descoberta da equação, o método permite que o componente de aprendizado do operador seja otimizado especificamente para robustez ao ruído, preservando a interpretabilidade do modelo esparso final.
Benchmarking Abrangente: O estudo fornece uma comparação rigorosa contra Diferenças Finitas Fracionárias (FFD) clássicas e uma linha de base de Perceptron Multicamadas (MLP) convencional através de sistemas lineares e não lineares, vários níveis de ruído e diferentes ordens fracionárias.
Análise de Generalização: O trabalho avalia a generalização fora da distribuição (OOD), incluindo condições iniciais não vistas e extrapolação temporal, demonstrando a superioridade da arquitetura de aprendizado de operador sobre aproximadores de função padrão nesses cenários.

Resultos

Sistemas Lineares: Em um sistema linear fracionário 2D com 5% de ruído Gaussiano, a estrutura proposta DeepONet-SINDy alcançou um erro de coeficiente relativo de $0.0047 \pm 0.0039$ . Isso superou significativamente o MLP ($0.0411$) e o método clássico FFD, que falhou completamente (erro $\approx 9.84$ ) devido à amplificação de ruído.
Robustez ao Ruído: A abordagem DeepONet manteve alta precisão em níveis de ruído de até 5%. Conforme o ruído aumentava além deste limiar, todos os métodos degradavam, mas o DeepONet consistentemente forneceu as estimativas de derivada mais confiáveis.
Sistemas Não Lineares: Para benchmarks não lineares (sistema polinomial e Brusselator fracionário), o DeepONet reduziu os erros de identificação em mais de duas ordens de magnitude em comparação com a FFD. Notavelmente, mesmo com inputs de derivada exatos (Oracle), os sistemas não lineares exibiram erros elevados sob ruído, indicando que, para dinâmicas não lineares complexas, a limitação desloca-se da aproximação da derivada para o mau condicionamento da própria biblioteca de regressão esparsa.
Generalização OOD e Temporal: Em testes envolvendo condições iniciais fora da distribuição de treinamento e extrapolação temporal (testando em $[0, 10]$ quando treinado em $[0, 5]$ ), o DeepONet demonstrou taxas de erro significativamente menores do que o MLP, sugerindo capacidades de generalização superiores do aprendizado de operador neste contexto.
Eficiência Computacional: Embora o treinamento exija um investimento único, o custo de inferência do DeepONet ($0.41$ ms por trajetória) é inferior ao da FFD ($1.45$ ms) e escala linearmente, tornando-o eficiente para tarefas de identificação repetidas dentro da mesma família de sistemas.

Significância e Alegações
O artigo alega que o principal obstáculo na identificação de sistemas fracionários não é a formulação da regressão esparsa, mas a disponibilidade de estimativas de derivada fracionária confiáveis a partir de observações ruidosas. Ao aprender um substituto baseado em dados para o processo de diferenciação, o framework proposto mitiga efetivamente a sensibilidade ao ruído inerente aos operadores não locais.

Os autores enfatizam que seus resultados fornecem evidência empírica de que o aprendizado de operador oferece maior robustez a mudanças de distribuição do que redes neurais convencionais (MLPs) para esta tarefa específica. No entanto, eles observam modestamente que isso não constitui uma prova de recuperação única de operador. Além disso, o estudo revela um insight crítico para sistemas não lineares: uma vez que a estimativa da derivada é suficientemente precisa, a fonte dominante de erro torna-se a etapa de regressão esparsa devido às bibliotecas mal condicionadas. Consequentemente, os autores sugerem que futuros avanços para sistemas fracionários não lineares podem depender mais de técnicas de regressão esparsa robustas (ex: formulações de forma fraca) do que de melhorias adicionais na diferenciação numérica.

O trabalho posiciona-se como uma solução prática para cenários onde a estrutura matemática geral de uma família de sistemas é conhecida, permitindo o treinamento offline do operador para ser reutilizado para múltiplas instâncias experimentais sem necessidade de retreinamento. Os autores reconhecem limitações, incluindo a suposição de que a ordem fracionária $\alpha$ é conhecida a priori e que a validação foi restrita a dados sintéticos controlados, identificando a validação experimental e a estimativa contínua da ordem como passos futuros necessários.

Mais como este