동적 시스템 안정화를 위한 적응형 데이터 샘플링 및 컨트롤러 추론

초록

불안정한 비선형 시스템의 데이터를 효율적으로 수집하기 위해, 시스템을 동시에 안정화시키면서 데이터를 생성하는 적응형 샘플링 방식을 제안한다. 이 방법은 데이터 정보성(informativity) 이론에 기반해 최소 규모의 정보적 데이터 집합을 보장하며, 저차원 서브스페이스에서의 컨트롤러 추론을 통해 전체 차원에서도 안정성을 확보한다. 실험 결과, 기존 무작위 데이터 수집에 비해 최대 10배 적은 샘플로 안정적인 피드백 컨트롤러를 학습할 수 있음을 보여준다.

상세 분석

본 논문은 불안정한 비선형 시스템에서 데이터를 수집할 때 발생하는 급격한 발산 문제를 해결하기 위해, “데이터 정보성(informativity)” 개념을 핵심 이론으로 삼는다. 기존의 데이터 기반 제어 방법은 대부분 전체 상태공간을 충분히 탐색하도록 무작위 입력을 사용하지만, 이는 샘플 복잡도가 매우 높고, 특히 불안정한 시스템에서는 수집된 데이터가 의미 없는 발산 궤적이 될 위험이 있다. 저자들은 이러한 한계를 극복하기 위해 두 가지 주요 아이디어를 제시한다. 첫째, 시스템을 동시에 안정화시키는 적응형 입력 신호를 설계함으로써, 데이터 수집 과정 자체가 시스템의 안정성을 유지하도록 만든다. 이를 위해 현재까지 추정된 저차원 서브스페이스 V에 대해 피드백 컨트롤러 K를 계산하고, 이 컨트롤러를 이용해 시스템을 부분적으로 안정화한다. 둘째, 데이터 정보성 조건을 저차원 서브스페이스에 적용함으로써, 전체 N 차원 시스템을 완전히 식별할 필요 없이 r 차원( r≪N )에서 충분히 정보를 얻을 수 있다. 논문은 Proposition 1과 Proposition 2를 통해, X 행렬이 전 행렬 순위를 가지는 경우와, 저차원 투영 후에도 동일한 정보성 조건을 만족하면 전체 시스템에 대한 안정화 피드백 K= bK Vᵀ 를 얻을 수 있음을 증명한다. 알고리즘 1은 고차원 데이터 (Uₙ,Xₙ,Yₙ)와 선택된 직교 기저 V를 입력으로 받아, Vᵀ로 투영된 저차원 데이터 (U, bX, bY)에서 Θ를 구하고, 이를 통해 bK를 계산한 뒤 원래 차원으로 복원한다. 이 과정은 샘플 복잡도가 r 차원에 비례하므로, 필요한 데이터 양이 크게 감소한다. 이론적 분석에서는 입력 신호가 “안정적인 정보성 입력(stable informative input)”을 만족하도록 설계될 경우, 적응형 샘플링이 유한 단계 내에 수렴하고, 최종적으로 전체 시스템을 안정화시키는 K를 얻는 것을 보인다. 실험에서는 전력망 모델과 난류 흐름 뒤의 난류 억제 사례를 통해, 무작위 입력 기반 방법 대비 1~2 오더의 샘플 절감 효과와, 수집된 데이터가 실제 시스템의 비선형 동역학을 충분히 포착함을 확인한다. 전체적으로, 본 연구는 데이터 수집 단계에서 시스템 안정성을 보장하면서 최소 정보 집합을 생성하는 새로운 패러다임을 제시하고, 저차원 서브스페이스 기반 컨트롤러 추론이 고차원 비선형 시스템에도 적용 가능함을 실증한다.