[论文解读] 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 4

一句话总结

本文提出了一种针对随机系统的结构保持模型降阶（MOR）框架，结合平衡截断与奥恩斯坦-乌伦贝克过程及带有乘性噪声的线性SPDE的随机最优控制。该方法为线性二次型调节器问题建立了严格的误差界，并将其应用于非平衡统计力学以提升采样效率。

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.

研究动机与目标

• 开发适用于具有乘性噪声和非零初值的随机系统的结构保持模型降阶方法。
• 将模型降阶与线性二次型调节器问题的随机最优控制理论相结合。
• 基于平衡截断，推导降阶控制系统的严格误差界。
• 将结合了MOR与控制的框架应用于非平衡统计力学中，以提升采样效率。
• 在降维过程中保持系统结构（如协方差结构），以提高精度与稳定性。

提出的方法

• 对带有乘性噪声的奥恩斯坦-乌伦贝克过程和线性SPDE应用平衡截断，保持系统结构。
• 采用基于Gramian的平衡方法，识别并截断弱可控制与弱可观察模态。
• 将降阶模型整合进线性二次型调节器（LQR）框架，实现随机控制。
• 利用平衡截断的结构保持特性，推导全阶与降阶LQR解之间的误差界。
• 在平衡过程中引入非零初值，以保持瞬态响应的精度。
• 通过基于控制的降维，将该框架适配用于非平衡统计力学中的增强采样方法。

实验结果

研究问题

• RQ1 如何将结构保持的模型降阶方法应用于具有乘性噪声和非零初值的随机系统？
• RQ2 在随机环境下使用平衡截断时，线性二次型调节器问题的误差界可建立为何种形式？
• RQ3 将MOR与随机最优控制相结合，如何提升控制性能与稳定性？
• RQ4 降阶模型在何种方式下可提升非平衡统计力学中的采样效率？
• RQ5 所提出的MOR方法在降维过程中保持了原系统的哪些结构性质？

主要发现

• 所提出的模型降阶方法保持了原始随机系统的协方差结构与系统动力学。
• 对降阶LQR问题的误差界已严格推导，确保性能退化在有界范围内。
• 由于在平衡过程中引入了非零初值，该方法在瞬态响应中保持了高精度。
• 该框架通过降低系统阶数并保持关键随机特性，实现了对高维SPDE的高效稳定控制。
• 在非平衡统计力学中的应用表明，基于控制的降维显著提升了采样效率。
• 该方法确保降阶模型保持适定性，适用于反馈控制应用。