[논문 리뷰] The Koopman Expectation: An Operator Theoretic Method for Efficient Analysis and Optimization of Uncertain Hybrid Dynamical Systems

Adam R. Gerlach, Andrew Leonard외 2명|arXiv (Cornell University)|2020. 08. 20.

Model Reduction and Neural Networks참고 문헌 8인용 수 5

한 줄 요약

이 논문은 비선형 혼합 동역계에서 관측가능량의 기대값을 명시적으로 코프만 연산자를 구성하지 않고 계산할 수 있는 연산자 이론 기반 방법인 Koopman 기대값을 소개한다. 코프만 연산자와 프로베니우스-페르로 연산자 간의 수반 관계를 활용하여 기대값과 고차 통계량을 효율적으로 계산할 수 있으며, 반동 공 시험 케이스에서 몬테카를로 방법 대비 최대 1700배 빠른 속도와 수개의 정확도 향상을 달성한다.

ABSTRACT

For dynamical systems involving decision making, the success of the system greatly depends on its ability to make good decisions with incomplete and uncertain information. By leveraging the Koopman operator and its adjoint property, we introduce the Koopman Expectation, an efficient method for computing expectations as propagated through a dynamical system. Unlike other Koopman operator-based approaches in the literature, this is possible without an explicit representation of the Koopman operator. Furthermore, the efficiencies enabled by the Koopman Expectation are leveraged for optimization under uncertainty when expected losses and constraints are considered. We show how the Koopman Expectation is applicable to discrete, continuous, and hybrid non-linear systems driven by process noise with non-Gaussian initial condition and parametric uncertainties. We finish by demonstrating a 1700x acceleration for calculating probabilistic quantities of a hybrid dynamical system over the naive Monte Carlo approach with many orders of magnitudes improvement in accuracy.

연구 동기 및 목표

• 비정규 분포 불확실성과 과정 노이즈를 가진 혼합 동역계에서 기대값을 계산하는 데 있어 계산 효율성을 높이는 방법을 개발한다.
• 고차원 또는 복잡한 시스템에서 느리고 신뢰할 수 있는 오차 추정이 어려운 전통적 몬테카를로 방법의 한계를 극복한다.
• 코프만 기대값을 활용해 기대 손실 및 제약 함수를 재구성함으로써 불확실성 하에 최적화를 가능하게 한다.
• 벡터값 관측가능량과 코프만 기반 통합을 통해 분산, 왜도, 첨도와 같은 고차 통계 모멘트를 효율적으로 계산한다.
• 정확도를 유지하면서도 명시적인 코프만 연산자 구성 없이도 작동하며 오차 추정이 가능한 프레임워크를 제공한다.

제안 방법

• 코프만 연산자와 프로베니우스-페르로 연산자 간의 수반 성질을 활용하여, 미래 관측가능량의 기대값을 초기 밀도에 대해 코프만 연산자를 적용한 후 당겨오는 방식으로 표현한다.
• 밀도 전파 없이도 초기 불확실성 분포 위에서 코프만 변환된 관측가능량의 적분으로 기대값 계산을 재구성한다.
• 가우스-레지드르 구적법 등 수치 적분 기법을 활용해 코프만 기대값을 효율적으로 계산하며, 적분 방법에서 유도된 오차 한계를 제공한다.
• 성분 함수에 코프만 기대값을 적용함으로써 5차까지의 중심 모멘트를 계산하기 위해 벡터값 관측가능량으로 방법을 확장한다.
• 코프만 기대값을 최적화 루프에 통합하여 스트로스틱 최적 제어 문제의 신속하고 정확한 해를 도출한다.
• 비정규 초기 조건과 과정 노이즈를 가진 혼합 동역계(반동 공)에 대해 몬테카를로 시뮬레이션과 비교하여 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 코프만 기대값은 비정규 불확실성을 가진 혼합 동역계에서 기대값을 계산하는 데 있어 몬테카를로 방법보다 더 효율적인 대안이 될 수 있는가?
• RQ2 명시적인 코프만 연산자 표현 없이도 코프만 기대값이 고차 통계 모멘트를 얼마나 정확하게 계산할 수 있는가?
• RQ3 몬테카를로 방법 대비 코프만 기대값이 불확실성 하에 최적화에서 계산 효율성과 정확도를 얼마나 향상시키는가?
• RQ4 몬테카를로 방법과 달리, 코프만 기대값은 적분 과정의 부산물로 신뢰할 수 있는 오차 추정을 제공할 수 있는가?
• RQ5 많은 불확실 매개변수 또는 복잡한 노이즈 과정을 가진 시스템에 대해 코프만 기대값의 확장성은 어떠한가?

주요 결과

• 반동 공 시스템에서 기대 제곱 이격 거리 계산에 대해 코프만 기대값은 단일 몬테카를로 평가 대비 1700배 빠른 속도를 달성했다.
• 5차까지의 중심 모멘트 계산에 대해 코프만 기대값은 1000만 번의 몬테카를로 시뮬레이션 대비 77,000배 빠른 속도를 기록했으며, 두 번째 모멘트의 정확도는 ±3.878×10⁻⁵ 이내였다.
• 코프만 기대값은 오직 26회의 함수 평가로 기대 제곱 이격 거치의 기대값을 0.117초 내에 계산했으며, 몬테카를로로 목적 함수를 한 번 평가하는 데 소요되는 시간 대비 17.5배 빠른 속도를 기록했다.
• 코프만 기대값은 공간적 적분 방법의 부산물로 정확한 오차 한계를 제공했으며, 몬테카를로 방법은 유사한 오차 추정을 위해 광범위한 샘플링이 필요하다.
• 단지 225회의 시뮬레이션으로도 제5차까지의 고차 모멘트를 정확하게 계산할 수 있었으며, 제1차 기대값을 넘어서는 통계 분석에 있어 효율성을 입증했다.
• 코프만 기대값은 몬테카를로 방법보다 속도와 정확도에서 뛰어나, 3차 중심 모멘트의 잔차 오차가 1.776×10⁻³ 이하, 4차 중심 모멘트의 잔차 오차가 1.536×10⁻³ 이하로, 몬테카를로가 1000만 개의 샘플이 필요로 하는 상황에서도 여전히 뛰어난 성능을 보였다.