[논문 리뷰] Towards a MATLAB Toolbox to compute backstepping kernels using the power series method

Xin Lin, Rafael Vázquez외 1명|arXiv (Cornell University)|2024. 03. 24.

Parallel Computing and Optimization Techniques인용 수 5

한 줄 요약

이 논문은 멱급수 방법을 이용하여 backstepping 커널을 계산하는 MATLAB 기반 프레임워크를 개발하고, 특이점을 다루기 위해 로컬화된 멱급수를 도입하며, 심볼릭 방법에 비해 상당한 속도 향상과 수렴 개선을 입증한다.

ABSTRACT

In this paper, we extend our previous work on the power series method for computing backstepping kernels. Our first contribution is the development of initial steps towards a MATLAB toolbox dedicated to backstepping kernel computation. This toolbox would exploit MATLAB's linear algebra and sparse matrix manipulation features for enhanced efficiency; our initial findings show considerable improvements in computational speed with respect to the use of symbolical software without loss of precision at high orders. Additionally, we tackle limitations observed in our earlier work, such as slow convergence (due to oscillatory behaviors) and non-converging series (due to loss of analiticity at some singular points). To overcome these challenges, we introduce a technique that mitigates this behaviour by computing the expansion at different points, denoted as localized power series. This approach effectively navigates around singularities, and can also accelerates convergence by using more local approximations. Basic examples are provided to demonstrate these enhancements. Although this research is still ongoing, the significant potential and simplicity of the method already establish the power series approach as a viable and versatile solution for solving backstepping kernel equations, benefiting both novel and experienced practitioners in the field. We anticipate that these developments will be particularly beneficial in training the recently introduced neural operators that approximate backstepping kernels and gains.

연구 동기 및 목표

• Backstepping 커널 계산을 위한 멱급수 방법을 심볼릭 도구를 넘어서 발전시킨다.
• 효율성과 확장성을 위해 희소 행렬을 활용하는 MATLAB 프레임워크를 개발한다.
• 수렴성 및 해석가능성 문제를 다루기 위해 로컬화된 멱급수를 도입한다.
• 이전 연구 대비 속도 및 정확도 향상을 보여주는 예시를 제공한다.
• 커널 학습을 위한 신경 연산자(neural operator) 접근법과의 통합을 위한 기초를 마련한다.

제안 방법

• 삼각 영역에서 x와 xi의 이중 멱급수로 backstepping 커널 방정식을 형식화한다.
• 급수 계수를 MATLAB이 효율적으로 풀 수 있는 희소 선형 시스템으로 변환한다.
• 절단, 미분, 경계/추적을 선형대수 연산으로 구현하기 위해 연산자 행렬을 정의한다.
• 선택한 점을 중심으로 커널을 확장하여 특이점을 우회하고 수렴성을 개선하는 로컬화된 멱급수를 도입한다.
• 프레임워크와 라이브 스크립트를 제공하여 기본 예제를 재현하고 심볼릭 솔버와의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 멱급수 접근법을 MATLAB에서 효율적으로 구현하여 PDE의 backstepping 커널을 계산할 수 있는가?
• RQ2 확장점을 이동시키는 것(로컬화된 멱급수)이 특이점 근처의 수렴성과 전체 계산 시간에 어떤 영향을 미치는가?
• RQ3 고차 확장에서 MATLAB 희소행렬 프레임워크와 심볼릭 도구 간의 성능 및 정확도 이점은 무엇인가?
• RQ4 다중 커널 및 결합된 backstepping 문제를 실제로 처리하도록 프레임워크를 확장하는 방법은?

주요 결과

• MATLAB 해석기는 큰 절단 차수에서 Mathematica에 비해 거대한 속도 향상을 달성하고 희소성을 활용하여 메모리 효율을 높인다.
• 희소 행렬 형태는 고차 멱급수 커널의 효율적 계산을 가능하게 하며 심볼릭 방법보다 N의 증가에 더 잘 확장된다.
• 로컬화된 멱급수는 원점 기반의 급수가 수렴하지 않을 때 특이점을 효과적으로 회피하고 수렴성을 개선하며, 테스트된 예제에서 수렴이 입증된다.
• 기본 예제에서 심볼릭 해와의 비교로 보듯이, 더 큰 N을 가능하게 하면서도 정확도를 유지한다.
• 결과를 재현하고 새 커널 방정식에 코드를 적용하기 위한 Live Script가 제공된다.
• 프레임워크는 backstepping 커널과 이득을 근사하는 신경 연산자 학습을 지원하도록 위치한다.