[논문 리뷰] Modern Koopman Theory for Dynamical Systems

Steven L. Brunton, Marko Budišić외 2명|arXiv (Cornell University)|2021. 02. 24.

Model Reduction and Neural Networks인용 수 34

한 줄 요약

현대 Koopman 연산자 이론에 대한 다수의 시스템에 대한 고찰로, 무한 차원 연산자를 통해 비선형 동역학을 선형화하는 방법, 실용 알고리즘(특히 DMD), 이론 및 데이터 기반 응용에 대해 개관합니다.

ABSTRACT

The field of dynamical systems is being transformed by the mathematical tools and algorithms emerging from modern computing and data science. First-principles derivations and asymptotic reductions are giving way to data-driven approaches that formulate models in operator theoretic or probabilistic frameworks. Koopman spectral theory has emerged as a dominant perspective over the past decade, in which nonlinear dynamics are represented in terms of an infinite-dimensional linear operator acting on the space of all possible measurement functions of the system. This linear representation of nonlinear dynamics has tremendous potential to enable the prediction, estimation, and control of nonlinear systems with standard textbook methods developed for linear systems. However, obtaining finite-dimensional coordinate systems and embeddings in which the dynamics appear approximately linear remains a central open challenge. The success of Koopman analysis is due primarily to three key factors: 1) there exists rigorous theory connecting it to classical geometric approaches for dynamical systems, 2) the approach is formulated in terms of measurements, making it ideal for leveraging big-data and machine learning techniques, and 3) simple, yet powerful numerical algorithms, such as the dynamic mode decomposition (DMD), have been developed and extended to reduce Koopman theory to practice in real-world applications. In this review, we provide an overview of modern Koopman operator theory, describing recent theoretical and algorithmic developments and highlighting these methods with a diverse range of applications. We also discuss key advances and challenges in the rapidly growing field of machine learning that are likely to drive future developments and significantly transform the theoretical landscape of dynamical systems.

연구 동기 및 목표

• Koopman 이론이 고유함수와 임베딩을 통해 비선형 역학을 어떻게 선형화하는지 설명한다.
• 연산자 이론적 프레임워크(Koopman, Liouville/Perron–Frobenius)와 그것의 고전적 동적 시스템과의 연결을 요약한다.
• Dynamic Mode Decomposition (DMD) 및 관련 알고리즘을 통한 실용적 계산 방법을 설명한다.
• 빅데이터와 머신러닝 맥락에서의 응용, 도전과제 및 기회를 논의한다.

제안 방법

• Koopman 연산자와 그 연속 시간 생성자(L) 및 관찰자에 대한 작용을 정의한다.
• Koopman 연산자의 고유함수와 그것들이 동역학 선형화에서 차지하는 역할을 설명한다.
• Koopman 스펙트럼을 근사하기 위한 실용적 수치 방법으로서 Dynamic Mode Decomposition (DMD)을 제시한다.
• 고차원 공간에서 거의 선형화된 동역학을 얻도록 하는 임베딩 및 좌표 변환을 다룬다.
• Koopman 이론과 Perron–Frobenius, Liouville, Carleman 선형화 프레임워크 간의 연결을 다룬다.
• 데이터 기반 모델링 및 머신러닝 기법과 Koopman 이론 간의 연계성을 개략적으로 제시한다.

실험 결과

연구 질문

• RQ1 Koopman 연산자 고유함수와 임베딩을 통해 비선형 동역학을 어떻게 선형적으로 표현할 수 있는가?
• RQ2 데이터로부터 Koopman 스펙트럼을 근사하는 이론적 및 실용적 함의는 무엇인가?
• RQ3 DMD는 Koopman 모드 분해와 어떻게 관련되며 그 한계와 확장성은 무엇인가?
• RQ4 다학제적 데이터 기반 Koopman 분석의 응용, 도전과제 및 향후 방향은 무엇인가?
• RQ5 Koopman 개념이 제어 이론, 불확실성 정량화, 전통적 동적 시스템 이론과 어떻게 연결되는가?

주요 결과

• Koopman 이론은 합성 연산자를 통한 무한 차원 함수 공간에서의 비선형 역학의 선형 표현을 제공한다.
• Koopman 연산자의 고유함수는 역학을 분석하고 예측하기 위한 선형화된 좌표계를 제공한다.
• DMD는 데이터를 바탕으로 Koopman 연산자를 근사하고 일관된 구조를 추출하는 간단하고 강력한 수치 알고리즘을 제공한다.
• 프레임워크는 고전적 동적 시스템 개념(Hartman–Grobman, ergodicity)과 확률적 관점(Perron–Frobenius)과의 연결고리를 제공한다.
• 응용은 유체, 역학, 신경과학, 플라즈마, 금융, 로보틱스, 전력망에 걸쳐 있으며 데이터 기반 방법을 통해 실용적 예측과 제어를 가능하게 한다.