Equation-Free Coarse Control of Distributed Parameter Systems via Local Neural Operators
作者: Gianluca Fabiani, Constantinos Siettos, Ioannis G. Kevrekidis
分类: eess.SY, cs.LG, math.NA, math.OC
发布日期: 2025-09-28
备注: 8 pages, 2 figures
💡 一句话要点
提出基于局部神经算子的无方程粗粒化控制方法，用于分布式参数系统。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 神经算子 无方程控制 分布式参数系统 Krylov子空间方法 数据驱动控制
📋 核心要点
- 传统无方程控制方法依赖耗时的精细尺度模拟，限制了其在高维分布式参数系统中的应用。
- 利用局部神经算子学习高效的短时解算子，替代耗时的精细尺度模拟，加速稳态计算和控制设计。
- 通过Krylov子空间方法和简化的特征谱分析，实现了开环慢动力学的有效建模和控制。
📝 摘要（中文）
当显式的粗粒化方程不可用时，高维分布式参数系统(DPS)的控制仍然是一个挑战。经典的无方程(EF)方法依赖于被视为黑盒时间步进器的精细尺度模拟器。然而，用于稳态计算、线性化和控制设计的重复模拟通常在计算上是禁止的，或者微观时间步进器甚至可能不可用，只留下数据作为唯一的资源。我们提出了一种数据驱动的替代方案，它使用在时空微观/介观数据上训练的局部神经算子，以获得有效的短时解算子。这些替代模型被用于Krylov子空间方法中，以计算粗糙的稳态和非稳态，同时以无矩阵的方式提供雅可比信息。然后，Krylov-Arnoldi迭代逼近主导特征谱，产生简化的模型，该模型捕获开环慢动力学，而无需显式雅可比组装。离散时间线性二次调节器(dLQR)和极点配置(PP)控制器都基于这个简化的系统，并被提升回完整的非线性动力学，从而闭合反馈回路。
🔬 方法详解
问题定义：论文旨在解决高维分布式参数系统(DPS)的控制问题，尤其是在缺乏显式粗粒化方程的情况下。传统无方程(EF)方法依赖于精细尺度模拟器，但计算成本高昂，甚至在某些情况下无法获得模拟器，导致控制设计受限。
核心思路：论文的核心思路是利用数据驱动的方法，通过训练局部神经算子来学习DPS的短时解算子。这些神经算子可以高效地预测系统在短时间内的演化，从而替代耗时的精细尺度模拟，为后续的稳态计算和控制设计提供基础。
技术框架：整体框架包含以下几个主要阶段：1) 使用时空微观/介观数据训练局部神经算子，得到高效的短时解算子；2) 利用Krylov子空间方法，结合训练好的神经算子，计算粗粒化的稳态和非稳态；3) 通过Krylov-Arnoldi迭代逼近主导特征谱，构建简化的动力学模型；4) 基于简化的模型设计离散时间线性二次调节器(dLQR)或极点配置(PP)控制器；5) 将控制器提升回完整的非线性动力学系统，实现闭环控制。
关键创新：最重要的技术创新在于使用局部神经算子作为精细尺度模拟器的替代品。与传统的黑盒模拟器相比，神经算子具有更高的计算效率，并且可以直接从数据中学习系统的动力学特征。此外，论文还提出了一种基于Krylov子空间方法的无矩阵雅可比信息获取方法，避免了显式雅可比矩阵的组装，进一步提高了计算效率。
关键设计：论文的关键设计包括：局部神经算子的网络结构选择（具体结构未知，但强调局部性），损失函数的设计（未知，但目标是准确预测短时系统演化），以及Krylov子空间方法的参数设置（例如子空间维度）。此外，控制器设计中需要根据简化模型的特征值进行参数调整，以保证控制系统的稳定性和性能。
🖼️ 关键图片
📊 实验亮点
论文提出的方法能够有效地降低计算成本，并实现对高维分布式参数系统的控制。具体的性能数据和对比基线未知，但论文强调该方法可以在缺乏显式方程的情况下，仅通过数据驱动的方式实现控制目标，这本身就是一个重要的突破。
🎯 应用场景
该研究成果可应用于各种高维分布式参数系统的控制，例如流体流动控制、化学反应器控制、材料加工控制等。通过数据驱动的方式，无需依赖精确的物理模型，即可实现对复杂系统的有效控制，具有重要的实际应用价值和潜力。
📄 摘要（原文）
The control of high-dimensional distributed parameter systems (DPS) remains a challenge when explicit coarse-grained equations are unavailable. Classical equation-free (EF) approaches rely on fine-scale simulators treated as black-box timesteppers. However, repeated simulations for steady-state computation, linearization, and control design are often computationally prohibitive, or the microscopic timestepper may not even be available, leaving us with data as the only resource. We propose a data-driven alternative that uses local neural operators, trained on spatiotemporal microscopic/mesoscopic data, to obtain efficient short-time solution operators. These surrogates are employed within Krylov subspace methods to compute coarse steady and unsteady-states, while also providing Jacobian information in a matrix-free manner. Krylov-Arnoldi iterations then approximate the dominant eigenspectrum, yielding reduced models that capture the open-loop slow dynamics without explicit Jacobian assembly. Both discrete-time Linear Quadratic Regulator (dLQR) and pole-placement (PP) controllers are based on this reduced system and lifted back to the full nonlinear dynamics, thereby closing the feedback loop.