테일러 리아푸노프 네트워크를 이용한 컴팩트 집합 상의 최대 끌림 영역 학습
Learning Maximal Regions of Attraction on Compact Sets using Taylor Lyapunov Networks
우리는 신경망을 사용하여 비선형 동역학계의 최대 끌림 영역을 계산하기 위해 최대 리아푸노프 함수를 학습하는 문제를 고려한다. 기존 신경망 접근법은 두 가지 장애물로 제한된다. 1) 유한 폭 근사는 평형점 근처에서 엄격한 리아푸노프 부등식을 보존하지 못할 수 있으며, 그 근처에서 부등식은 임의로 약해진다. 2) 학습은 유계 계산 영역에서 수행될 수밖에 없는데, 이 영역에는 고전적인 리아푸노프 정리와 Zubov 정리가 직접 적용되지 않는다. 이러한 문제를 해결하기 위해, 먼저 우리는 지정된 컴팩트 계산 영역에서 직접 성립하는 리아푸노프 정리와 Zubov 정리를 유도하고, 그 영역 내의 최대 끌림 영역을 경계값 편미분방정식의 해로 특성화한다. 둘째, 시스템의 선형화를 통해 2차 최저차 항을 규정하고 고차 나머지 항을 구조화된 3차 인수분해로 표현하는 아키텍처인 테일러 리아푸노프 네트워크를 도입하여, 이 부류의 모든 네트워크가 구성상 유효한 국소 리아푸노프 함수임을 보장한다. 마지막으로 테일러 리아푸노프 네트워크가 컴팩트 영역에서 최대 리아푸노프 함수의 보편 근사기임을 증명하고, 이러한 결과들을 비지도 물리 정보 기반 학습 절차로 결합한다. 다양한 차원과 안정성 유형의 시스템에 대한 수치 실험은 제안한 아키텍처가 최대 끌림 영역을 추정하는 데 효율적임을 보여 준다.