심플렉틱 ODE‑Net: 물리 기반 딥러닝으로 해밀턴 시스템과 제어 학습

본 논문은 물리 기반 딥러닝 모델이 실제 제어 시스템에 적용될 수 있도록 설계된 Symplectic ODE‑Net(SymODEN)을 소개한다. 서론에서는 딥러닝이 일반적인 데이터‑주도 학습에서 뛰어난 성능을 보이지만, 물리 법칙을 무시할 경우 샘플 효율성이 떨어지고 해석 가능성이 낮아진다는 문제점을 제기한다. 이를 해결하기 위해 물리적 inductive bias를 네트워크 구조에 직접 삽입하는 접근을 제안한다. 관련 연구 파트에서는 기존의 Lagrangian‑Net, Hamiltonian‑Net 등과 달리, SymODEN은 제어 입력 \(u\)를 포함한 일반화된 해밀턴 방정식을 사용한다는 점을 강조한다. 또한, 고차 미분값(가속도 등)을 요구하지 않으며, 각도와 같은 비유클리드 좌표를 \((\cos q, \sin q)\) 형태로 임베딩해도 학습이 가능하도록 설계된 점을 부각시킨다. 핵심 기여는 두 가지이다. 첫째, 해밀턴 역학에 제어 항을 추가한 일반화된 동역학을 신경망으로 구현함으로써, 학습된 모델이 물리적으로 일관된 구조(심볼릭 구조)를 유지한다. 이를 위해 질량 행렬의 역 \(M^{-1}(q)\), 포텐셜 \(V(q)\), 입력 매트릭스 \(g(q)\)를 각각 별도 MLP로 파라미터화하고, 자동 미분을 통해 \(\partial H/\partial q\)와 \(\partial H/\partial p\)를 계산한다. 둘째, 각도 데이터가 임베딩된 형태로 제공될 때와 일반화 좌표와 모멘텀 데이터가 직접 주어질 때를 모두 다룰 수 있는 두 가지 학습 파이프라인을 제시한다. 일반화 좌표 \(q\)와 모멘텀 \(p\)가 주어지는 경우(섹션 3.2)에는 위에서 언급한 세 개의 신경망을 이용해 해밀턴 방정식을 직접 구현한다. 각도 임베딩과 속도만 주어지는 경우(섹션 3.3)에는 \(\dot q\)를 이용해 모멘텀을 추정하고, \((\cos q, \sin q)\)를 입력으로 사용해 질량 행렬을 학습한다. 학습 방법은 Neural ODE 프레임워크를 기반으로 한다. 시간 연속성을 보존하기 위해 미분 가능한 ODE 솔버를 사용하고, 손실은 관측 궤적과 솔버가 예측한 궤적 사이의 L2 차이로 정의한다. 제어 입력이 일정한 구간에서 상수로 유지된다는 가정 하에, 여러 다른 상수 \(u\)값을 이용해 데이터셋을 구성하고, 이를 통해 네트워크가 다양한 제어 조건에 대해 매끄럽게 보간하도록 한다. 제어 설계 파트에서는 학습된 해밀턴 모델을 이용해 에너지 쉐이핑 기반의 피드백 제어기를 설계한다. 목표 포텐셜 \(V_d(q)\)와 현재 포텐셜 \(V(q)\)의 차이를 입력 매트릭스 \(g(q)\)와 역행렬을 통해 보정함으로써, 완전 구동 시스템에서는 PD‑형 제어와 동일한 형태의 입력을 얻는다. 또한, 댐핑 항을 추가해 시스템이 목표 상태에 수렴하도록 보장한다. 실험에서는 Pendulum‑v0, Cart‑Pole 등 전통적인 강화학습 벤치마크와 물리 시뮬레이션 환경을 사용해 SymODEN의 성능을 검증한다. 제한된 학습 샘플(수백 개)만으로도 기존 Neural ODE 대비 높은 예측 정확도를 달성했으며, 네트워크 파라미터 수가 2~3배 작음에도 불구하고 에너지 보존 특성을 유지했다. 각도 임베딩 데이터를 사용한 경우에도 질량 행렬과 포텐셜을 정확히 복원했으며, 학습된 모델을 기반으로 설계한 에너지 쉐이핑 제어기가 목표 각도에 빠르게 수렴하는 모습을 보였다. 마지막으로 논문은 제한점으로, 현재는 완전 구동 시스템에 초점을 맞추었으며, 언더액추에이션(under‑actuated) 상황에서의 kinetic energy shaping은 별도 연구가 필요함을 언급한다. 또한, 외부 노이즈와 모델 불확실성에 대한 강인성 분석이 향후 과제로 제시된다. 전반적으로 SymODEN은 물리‑우선 inductive bias와 딥러닝의 유연성을 결합해, 데이터 효율적이며 해석 가능한 동역학 학습과 모델 기반 제어 설계에 새로운 가능성을 열어준다.