[논문 리뷰] Learning Optimal Control of Synchronization in Networks of Coupled Oscillators using Genetic Programming-based Symbolic Regression

Julien Gout, Markus Quade외 3명|arXiv (Cornell University)|2016. 12. 15.

Gene Regulatory Network Analysis참고 문헌 39인용 수 6

한 줄 요약

이 논문은 다목적 유전적 프로그래밍 기반의 기호 회귀 프레임워크를 제안하여 결합된 진동자 네트워크의 동기화 및 비동기화를 위한 해석 가능하고 최적의 제어 법칙을 학습한다. 동기화 오차를 최소화하는 기호 표현을 진화시킴으로써, 이 방법은 두 개의 진동자에서 복잡한 계층적 네트워크에 이르기까지 다양한 시스템에서 간결하고 효과적인 제어 함수를 성공적으로 식별한다. 결과는 투르모트 주기적 매개변수와 파레토 최적 해를 통해 검증된다.

ABSTRACT

Networks of coupled dynamical systems provide a powerful way to model systems with enormously complex dynamics, such as the human brain. Control of synchronization in such networked systems has far reaching applications in many domains, including engineering and medicine. In this paper, we formulate the synchronization control in dynamical systems as an optimization problem and present a multi-objective genetic programming-based approach to infer optimal control functions that drive the system from a synchronized to a non-synchronized state and vice-versa. The genetic programming-based controller allows learning optimal control functions in an interpretable symbolic form. The effectiveness of the proposed approach is demonstrated in controlling synchronization in coupled oscillator systems linked in networks of increasing order complexity, ranging from a simple coupled oscillator system to a hierarchical network of coupled oscillators. The results show that the proposed method can learn highly-effective and interpretable control functions for such systems.

연구 동기 및 목표

• 복잡하고 비선형적인 결합 진동자 네트워크에서 선형 제어 방법이 실패하는 상황에서 동기화 제어의 과제를 해결한다.
• 블랙박스 AI 모델의 한계를 극복하기 위해, 매개변수화된 블랙박스 모델 대신 해석 가능한 기호 제어 함수를 학습한다.
• 사전에 네트워크의 구조에 대한 가정 없이 시스템 역학에서 직접 최적의 제어 법칙을 유추할 수 있는 일반 목적의 진화 기반 기계학습 프레임워크를 개발한다.
• 단순한 결합 진동자에서 뇌의 연결성과 유사한 계층적 네트워크에 이르기까지 복잡도가 증가하는 시스템 전반에서의 확장성과 효율성을 입증한다.
• 미래의 뉴런 과학 및 공학 분야의 실질적 응용을 위해 안정성 분석 및 센서/액추에이터 배치 최적화와의 통합을 가능하게 한다.

제안 방법

• 다목적 유전적 프로그래밍(GP)을 사용하여 동기화 오차를 최소화하면서도 단순성과 해석 가능성을 유지하는 기호 제어 함수를 진화시킨다.
• 기호 회귀를 통해 내장된 상수 추정 기능을 활용하여, 진동자 상태와 그 도함수를 포함하는 수학적 표현으로서의 폐쇄형 제어 법칙을 발견한다.
• 제어 과제를 목표 함수가 목표 동기화 상태(예: 목표 투르모트 주기적 매개변수)에서의 이탈 정도를 측정하는 최적화 문제로 공식화한다.
• 파레토 최적화를 적용하여 다수의 지배되지 않은 해를 생성함으로써, 제어 성능과 표현 복잡성 간의 트레이드오프를 가능하게 한다.
• 유한 차분 방정식을 사용한 결합 진동자 역학의 수치 시뮬레이션을 통합하여 진화 과정 중 실시간으로 유도된 제어 법칙을 평가한다.
• 특정 행동(예: 전역 비동기화)을 유도하기 위해 대칭성이나 에너지 제약 조건을 도입하지 않고도 설계된 맞춤형 비용 함수를 사용한다.

실험 결과

연구 질문

• RQ1 유전적 프로그래밍 기반의 기호 회귀는 결합 진동자 네트워크를 동기화 또는 비동기화 상태로 이끄는 효과적이고 해석 가능한 제어 법칙을 학습할 수 있는가?
• RQ2 유도된 제어 함수의 복잡도는 진동자 네트워크의 구조적 복잡도와 어떻게 상관관계를 가지는가?
• RQ3 이 방법은 뇌 시스템과 유사한 계층적 네트워크를 포함한 다양한 네트워크 구조에 대해 얼마나 일반화될 수 있는가?
• RQ4 파레토 최적 해의 특성은 제어 성능과 표현 단순성 간의 트레이드오프를 어떻게 반영하는가?
• RQ5 정교한 목표 함수 설계가 비대칭적이거나 물리적으로 타당하지 않은 제어 법칙을 방지하는 데 어떤 역할을 하는가?

주요 결과

• 이 방법은 이중 진동자 시스템을 한계 주기와 안정 고정점으로 이끄는 제어 법칙을 성공적으로 학습하여 기준 문제에 대한 핵심 기능을 검증했다.
• 강제 동기화의 경우, 최상의 해는 항상 단순했으며, 일반적으로 하나의 주요 진동자가 네트워크를 제어하는 형태였고, 예를 들어 $-\dot{x}_8$ 와 같은 표현에서 나타났다.
• 강제 비동기화의 경우, 네트워크 복잡도가 증가함에 따라 제어 법칙의 복잡도가 증가했으며, $\exp(\dot{x}_0)$ 및 $\sin(\dot{x}_9)$ 와 같은 다수의 도함수와 비선형 항을 포함하는 표현이 나타났다.
• 계층적 네트워크에서는 최상의 해가 투르모트 주기적 매개변수 $r = 0.000$ (완전히 비동기화)를 달성했으며, 제어 함수 $u(\dot{\boldsymbol{x}}) = \dot{x}_3 + \dot{x}_8 - (\dot{x}_{11} + \dot{x}_8 + \sin(\dot{x}_9)) \cdot \exp(\dot{x}_0)$ 는 전역 비동기화를 효과적으로 달성했다.
• 이 방법은 허브(예: $x_8$)가 비동기화에 핵심적이라는 점을 규명했으며, 이들의 비동기화가 전역 비동기화로 이어짐을 확인하여 네트워크 중심성 효과를 뒷받침했다.
• 파레토 최적 해는 다수의 타당한 해를 드러내었으며, 단일 항 표현($\dot{x}_4$)과 2항 표현($k$, $k=1$) 등이 포함되어 있어, 특정 조건에서는 단순한 상수 제어가 최적일 수 있음을 보여주었다.