비선형 시스템 근사화를 위한 커널 방법

본 논문은 비선형 제어 시스템을 데이터 기반으로 저차원 모델로 근사하는 새로운 프레임워크를 제시한다. 핵심 아이디어는 시스템을 고차원(또는 무한 차원) 재생 커널 힐베르트 공간(RKHS)으로 사상한 뒤, 선형 시스템 이론에서 사용되는 균형 절단(balanced truncation)을 암묵적으로 적용하는 것이다. 이를 위해 저자들은 다음과 같은 단계적 절차를 설계한다. 1. **RKHS 사상 및 Gramian 정의** 비선형 시스템 \(\dot{x}=f(x)+\sum_i g_i(x)u_i,\; y=h(x)\) 를 커널 함수 \(k(x,\tilde{x})\) 로 정의된 매핑 \(\Phi: \mathbb{R}^n\to\mathcal{H}\) 에 사상한다. 이때 \(\mathcal{H}\) 는 선택된 커널에 대응하는 RKHS이며, \(\Phi\) 는 암묵적인 고차원 특징 벡터를 제공한다. 시스템의 제어 가능성 에너지와 관측 가능성 에너지는 각각 \(\mathcal{H}\) 상의 Gramian \(W_c\) 와 \(W_o\) 로 정의된다. 2. **경험적 Gramian 추정** 실제 시스템 혹은 시뮬레이션으로부터 입력‑출력 데이터를 수집하고, 임펄스 응답이나 백색 잡음 입력을 이용해 경험적 관측 및 제어 Gramian을 계산한다. 구체적으로는 \(\hat{W}_c = \frac{1}{N}\sum_{k=1}^N \Phi(x_k)\Phi(x_k)^\top\) 와 \(\hat{W}_o = \frac{1}{M}\sum_{l=1}^M \Phi(y_l)\Phi(y_l)^\top\) 형태로 근사한다. 3. **동시 대각화 및 커널 PCA** \(\hat{W}_c\) 와 \(\hat{W}_o\) 를 동시에 대각화하여 공통 고유벡터를 구한다. 이는 커널 PCA와 동일한 절차이며, 고유값 \(\sigma_i\) (Hankel singular values) 를 기준으로 중요한 모드를 선택한다. 선택된 고유벡터는 RKHS 내에서의 차원 축소 변환 \(T\) 를 정의한다. 4. **축소된 비선형 동역학 구성** 축소 변환 \(z = T^\top \Phi(x)\) 를 적용한 뒤, 원래 비선형 동역학을 RKHS 내 함수 근사(예: 정규화 최소 제곱, 가우시안 프로세스 회귀)로 표현한다. 즉, \(\dot{z}= \tilde{f}(z)+\sum_i \tilde{g}_i(z)u_i\), \( \tilde{y}= \tilde{h}(z)\) 형태의 폐쇄형 모델을 학습한다. 여기서 \(\tilde{f},\tilde{g}_i,\tilde{h}\) 는 커널 기반 회귀를 통해 얻어진 비선형 함수이며, 입력‑출력 매핑을 보존하도록 최적화된다. 5. **이론적 근거** 비선형 시스템의 에너지 함수 \(L_c, L_o\) 가 각각 Hamilton‑Jacobi와 Lyapunov 방정식을 만족한다는 기존 결과를 RKHS 환경으로 확장한다. 논문은 \(L_c(x)=\frac12 z^\top z\), \(L_o(x)=\frac12\sum_i \sigma_i(z_i)^2\) 형태의 표현이 가능함을 보이며, 이는 균형된 좌표계에서의 Hankel singular value 함수가 시스템의 중요한 모드를 정의한다는 것을 의미한다. 6. **실험 및 검증** 저자들은 비선형 진동기, 라그랑지안 시스템, 비안정적인 로봇 팔 모델 등 여러 사례에 대해 제안된 방법을 적용하였다. 전통적인 선형 균형 절단이 적용되지 않거나 큰 오류를 발생시키는 경우에도, 커널 기반 축소 모델은 원래 시스템의 입력‑출력 응답을 높은 정확도로 재현한다. 오류는 차원 축소 차수와 커널 파라미터(폭, 차수)에 따라 정량적으로 분석되었으며, 적절한 파라미터 선택 시 5~10% 수준의 평균 제곱 오차를 달성하였다. 7. **한계와 향후 연구** RKHS 선택이 결과에 큰 영향을 미치며, 보편적인 유니버설 커널(가우시안, 다항식) 외에 문제 특성에 맞는 커널 설계가 필요함을 언급한다. 또한, 현재는 경험적 Gramian 추정에 의존하고 있어 데이터 양이 충분하지 않을 경우 성능 저하가 발생할 수 있다. 향후 연구에서는 커널 선택 자동화, 온라인 학습, 그리고 비선형 시스템의 안정성 보장을 위한 이론적 보강이 제안된다. 전체적으로 이 논문은 머신러닝의 커널 기법과 제어 이론의 균형 절단을 결합함으로써, 비선형 시스템의 차원 축소와 모델 근사를 동시에 달성하는 새로운 방법론을 제시한다. 고차원 특징 공간에서 선형 연산을 수행한다는 아이디어는 비선형 문제를 선형화하는 전통적인 접근법과 유사하지만, 여기서는 재생 커널 힐베르트 공간이라는 엄밀한 함수 공간을 이용해 이론적 근거와 실험적 검증을 동시에 제공한다.