[論文レビュー] Feedback control theory & Model order reduction for stochastic equations

Simon Becker, Carsten Hartmann+2 more|arXiv (Cornell University)|Dec 12, 2019

Model Reduction and Neural Networks参考文献 26被引用数 4

ひとこと要約

本稿は、オーランシュタイン＝ウーレンの過程および乗法的ノイズを伴う線形SPDEに対して、平衡化切断と確率最適制御を組み合わせた構造保存型モデル還元（MOR）フレームワークを提案する。線形二次調節器問題に対して厳密な誤差境界を確立し、非平衡統計力学における強化サンプリングに応用する。

ABSTRACT

We analyze structure-preserving model order reduction methods for Ornstein-Uhlenbeck processes and linear SPDEs with multiplicative noise based on balanced truncation with non-zero initial data. We then marry these model order reduction methods with stochastic optimal control theory and prove error bounds for a class of linear quadratic regulator problems. We discuss the application of our approach to enhanced sampling methods from non-equilibrium statistical mechanics.

研究の動機と目的

• 乗法的ノイズおよび非ゼロ初期条件を有する確率的システムに対する構造保存型モデル還元手法の開発。
• 線形二次調節器問題におけるモデル還元と確率的最適制御理論の統合。
• 平衡化切断における構造保存性を用いて、還元された制御系の誤差境界を厳密に導出。
• 非平衡統計力学におけるサンプリングの向上を目的として、MORと制御の統合フレームワークを応用。
• 次元削減の過程でシステム構造（例えば、共分散構造）を保存することで、精度と安定性の向上を図る。

提案手法

• 乗法的ノイズを伴うオーランシュタイン＝ウーレン過程および線形SPDEに平衡化切断を適用し、システム構造を保存する。
• グラミアンに基づくバランス化を用いて、弱く可制御および可観測なモードを同定し、それらを切り捨てる。
• 還元されたモデルを線形二次調節器（LQR）フレームワークに統合し、確率的制御を実施する。
• 平衡化切断の構造保存性を用いて、全システムと還元されたLQR解との間の誤差境界を導出する。
• 過渡応答の精度を維持するため、バランス化手順に非ゼロ初期データを組み込む。
• 非平衡統計力学からの強化サンプリング手法への適用を可能とするために、制御に基づく次元削減を用いてフレームワークを適応化する。

実験結果

リサーチクエスチョン

• RQ1 構造保存型モデル還元は、乗法的ノイズおよび非ゼロ初期データを有する確率的システムにどのように適用可能か？
• RQ2 確率的状況下で平衡化切断を用いる場合、線形二次調節器問題に対してどの程度の誤差境界を確立できるか？
• RQ3 MORと確率的最適制御の統合は、制御性能および安定性をどのように向上させるか？
• RQ4 還元されたモデルは、非平衡統計力学におけるサンプリング効率をどのように向上させるか？
• RQ5 提案されたMOR手法において、元のシステムのどの構造的性質が保存されるか？

主な発見

• 提案されたモデル還元手法は、元の確率的システムの共分散構造およびシステムダイナミクスを保存する。
• 還元されたLQR問題の誤差境界が厳密に導出され、性能劣化が有界であることが保証される。
• 非ゼロ初期データをバランス化手順に組み込むことで、過渡応答の精度が維持される。
• 高次元SPDEの効率的かつ安定的な制御が、重要な確率的性質を保存したままの次元削減によって可能になる。
• 非平衡統計力学への応用により、制御に基づく次元削減によってサンプリング効率が向上することが示された。
• この手法により、還元されたモデルが適切に定義され、フィードバック制御応用に適した状態を保つことが保証される。