포트 해밀턴 신경망을 이용한 제어 진동 모델링

본 논문은 포트‑해밀턴 신경망(Port‑Hamiltonian Neural Networks, PHNN)을 이용해 제어 진동 시스템을 모델링하는 새로운 프레임워크를 제시한다. 기존 데이터‑주도 동역학 학습은 물리 법칙을 명시적으로 반영하지 않아 일반화가 어려운 반면, PHNN은 에너지 보존·전력 균형이라는 물리적 제약을 하드 코딩함으로써 해석 가능성과 일반화 능력을 향상시킨다. 그러나 대부분의 기존 PHNN 구현은 연속‑시간 포트‑해밀턴 구조만을 보장하고, 시간 이산화 단계에서는 전력‑보존을 유지하지 못한다. 특히 Runge‑Kutta(RK)와 같은 일반적인 수치 적분법은 에너지 누설을 야기해 학습 과정에서 물리적 불일치를 초래한다. 이를 해결하기 위해 저자들은 두 차수 이산 그래디언트(Gonzalez) 방법을 도입한다. 이산 그래디언트는 ∇H(x,Δx)·Δx = H(x+Δx)−H(x)와 ∇H(x,0)=∇H(x)라는 두 조건을 만족하며, 이로써 이산 시간 단계에서도 정확히 에너지를 보존한다. Gonzalez 방법은 일반적으로 두 차수 정확도를 가지며, Hamiltonian이 2차 형태일 경우 선형 암시적 형태로 변환돼 계산 비용이 크게 증가하지 않는다. 연구에서는 세 가지 진동 시스템을 실험 대상으로 선정했다. 첫 번째는 선형 조화진동기(Quadratic Hamiltonian)로, 전통적인 RK2와 이산 그래디언트 기반 PHNN을 비교했다. 결과는 RK2가 시간 전진 시 에너지 손실을 보이며 진동 주기가 점차 변형되는 반면, 이산 그래디언트는 에너지 보존을 유지해 정확한 궤적을 재현함을 확인했다. 두 번째는 듀핑 진동기(비선형 Hamiltonian)로, H(q,p)=½(p²/m)+½kq²+αq⁴ 형태를 갖는다. 비선형 포텐셜 때문에 전력 흐름이 복잡해지지만, 이산 그래디언트는 진폭·주기 변화를 최소화하며 학습 오차를 크게 낮췄다. 세 번째는 비선형 감쇠와 외부 입력을 포함한 자자극 진동기이다. 여기서는 P_diss≥0인 감쇠항과 제어 입력 u가 결합돼 제한된 한계 사이클을 형성한다. 전력‑균형을 유지하는 이산화는 수렴 속도를 가속화하고, 제한된 사이클 내에서 안정적인 동작을 보장한다. 포트‑해밀턴 시스템의 수학적 표현으로는 두 가지가 있다. (1) 반명시적 포트‑해밀턴 미분‑대수식(PH‑DAE) 형태와 (2) 입력‑출력 포트‑해밀턴 형태(˙x=(J−R)∇H+Gu, y=Gᵀ∇H)이다. 두 형태는 이론적으로 동등하지만 구현상의 차이가 있을 수 있다. 저자들은 동일한 신경망 구조와 파라미터화로 두 모델을 학습시켰으며, 손실 수렴 곡선과 최종 테스트 오류가 거의 일치함을 확인했다. 이는 포트‑해밀턴 이론이 모델링 자유도를 크게 제한하지 않으면서도 물리적 일관성을 제공한다는 중요한 증거이다. 학습 과정에서 Jacobian 정규화가 중요한 역할을 한다는 점도 강조한다. NODE와 PHNN 모두 학습이 진행될수록 학습된 벡터 필드 f_θ의 Jacobian이 악조건화되는 현상이 보고되었다. 이는 수치 적분 시 스텝 크기 감소와 NFE(Numerical Function Evaluations) 증가로 이어져 학습 효율을 저해한다. 논문에서는 세 가지 정규화 기법을 적용했다. (i) Frobenius norm 정규화, (ii) 스펙트럴 노름(최대 특이값) 정규화, (iii) 조건수 정규화(σ_max/σ_min). 실험 결과, 조건수 정규화가 가장 효과적이었으며, Jacobian의 스펙트럼을 억제해 학습 초기에 급격한 변화가 발생하지 않게 함으로써 NFE를 30 % 이상 감소시키고, 테스트 오차를 평균 15 % 낮췄다. 특히 stiff한 자자극 진동기에서 조건수 정규화가 적용된 모델은 안정적인 시간 전진을 유지하며, 제어 입력에 대한 민감도도 감소했다. 전체 실험 결과는 다음과 같다. (1) 동일한 네트워크 구조와 데이터셋을 사용했을 때, 이산 그래디언트 기반 PHNN이 RK2 기반 PHNN보다 평균 22 % 낮은 MSE를 기록했다. (2) 에너지 보존 오차는 이산 그래디언트가 10⁻⁶ 수준으로 거의 0에 가깝게 유지된 반면, RK2는 10⁻² 수준으로 누적되었다. (3) Jacobian 정규화가 적용된 모델은 학습 안정성이 크게 향상돼, 5 % 이하의 손실 발산 사례만 관찰되었다. (4) 두 포트‑해밀턴 모델링 방식 간 차이는 통계적으로 유의미하지 않았다. 결론적으로, 전력‑보존 이산화와 Jacobian 정규화를 결합한 PHNN은 기존 데이터‑주도 NODE와 비교해 물리적 일관성, 수치 안정성, 일반화 성능 모두에서 우수함을 입증한다. 이는 제어‑중심의 복합 비선형 시스템, 특히 제한된 데이터와 강한 비선형·감쇠 특성을 가진 시스템을 모델링할 때, 물리‑인포메드 머신러닝이 실용적인 설계 원칙을 제공한다는 점을 시사한다. 향후 연구에서는 다중 포트·다중 자유도 시스템, 실시간 제어 적용, 그리고 고차 이산 그래디언트와 적응형 스텝 제어를 결합한 고효율 학습 프레임워크 개발이 기대된다.