전달 연산자를 활용한 데이터 기반 제어 혁신

초록

본 장에서는 Koopman 및 Perron‑Frobenius 연산자를 데이터 기반으로 근사하여 비선형 시스템을 선형 형태로 표현하고, 이를 제어 설계에 적용하는 최신 방법들을 통합적으로 정리한다. 동적 모드 분해(DMD)와 그 변형, 희소식별(SINDy), 머신러닝 기법 등을 결합해 고차원·비선형 시스템의 실시간 제어를 가능하게 하는 핵심 아이디어와 최근 연구 동향을 제시한다.

상세 분석

이 논문은 비선형 동역학을 무한 차원의 선형 연산자, 즉 Koopman 연산자와 Perron‑Frobenius(PF) 연산자로 재구성하는 이론적 배경을 상세히 설명한다. Koopman 연산자는 관측 함수 공간 L∞(X) 위에서 정의되며, 시스템의 흐름 Sₜ에 따라 관측값을 전이시킨다. 고유함수 φ와 고유값 λ는 φ(Sₜ(x₀)) = e^{λt}φ(x₀) 형태로 선형 진화를 보이며, 이러한 고유함수 집합은 시스템의 전역적인 동적 특성을 포착한다. PF 연산자는 확률 밀도 ρ를 전이시키며, Liouville 연산자를 통해 연속 방정식 ∂ₜρ = -∇·(Fρ) 로 기술된다. 두 연산자는 서로 쌍대 관계에 있어, 하나를 알면 다른 하나를 유도할 수 있다.

하지만 무한 차원의 연산자를 직접 계산하기는 불가능하므로, 저차원 행렬 근사를 위한 다양한 데이터‑드리븐 방법이 제시된다. 가장 기본적인 접근은 Dynamic Mode Decomposition(DMD)이며, 이는 시간‑시퀀스 데이터를 이용해 최적의 선형 매핑 A≈X’X⁺를 구한다. 최근에는 DMD를 확장한 Extended DMD(EDMD), Kernel DMD, 그리고 딥러닝 기반의 오토인코더와 결합한 방법들이 등장한다. 특히, 희소식별(SINDy)과 그 변형인 SINDy‑c는 제어 입력을 포함한 비선형 항목을 최소한의 사전 정의된 후보 함수 집합에서 선택함으로써 모델을 간결하게 만든다.

제어 관점에서 논문은 두 가지 주요 흐름을 구분한다. 첫째, Koopman 연산자를 이용해 비선형 시스템을 선형 상태‑공간 형태 (ż = Az + Bu) 로 변환하고, 이를 LQR, SDRE, MPC 등 기존 선형 제어 기법에 바로 적용한다. 둘째, PF 연산자를 활용해 확률 밀도 기반의 제어, 즉 목표 확률분포를 설계함으로써 로버스트 및 위험‑민감 제어를 구현한다. 특히, 고유밀도(불변 측도)와 메타‑안정 집합을 식별해 제어 목표를 정의하는 방법이 강조된다.

알고리즘적 측면에서는 데이터 양이 급증함에 따라 스파스 행렬 근사, 랜덤 프로젝션, 그리고 GPU 가속 딥러닝 모델이 필수적이다. 또한, 관측가능성·제어가능성 분석을 연산자 고유함수의 스펙트럼 구조와 연결시켜, 어느 관측 변수가 시스템을 충분히 설명하는지, 어느 입력이 효과적인 제어를 가능하게 하는지를 정량화한다.

마지막으로, 현재의 한계점으로는 (1) 고유함수의 정확한 추출이 어려워 모델 불확실성이 남는다, (2) 비선형·시간‑변화 시스템에 대한 온라인 업데이트 메커니즘이 미비하다, (3) 연산자 근사의 안정성·수렴성 이론이 아직 완전하지 않다. 향후 연구는 이러한 문제를 해결하기 위해 적응형 DMD, 베이지안 프레임워크, 그리고 물리‑인포메드 뉴럴 네트워크와의 통합을 제안한다.