📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Сложная техника — от дронов до роботов-хирургов — порой ведёт себя как дикий мустанг: полна беспорядка и капризов, где лёгкое прикосновение вызывает бурю. Вместо зубрёжки формул новый метод наблюдает за системой, словно объездчик. Математический трюк (оператор Купмана) опирается на идеи Давида Гильберта и переводит хаотичную пляску в спокойный танец, подобно тому как искривление пространства по теории Эйнштейна делает орбиты простыми. Так рождается стандартная модель поведения, которую алгоритм шлифует, как наездник — рефлексы скакуна.

Дальше начинается объездка: виртуальный жокей просчитывает каждое движение, удерживая систему в нужной узде. Даже с обрывочными данными, словно с завязанными глазами, алгоритм выбирает почти идеальные действия. Математические гарантии, словно крепкие поводья, не дают ошибиться.

Проверка на «упрямом маятнике» — осцилляторе Дуффинга, чьё поведение напоминает расширение Вселенной (затишье перед скачком), — показала: виртуальный контроллер усмиряет его хаос. Говорят, такие же уравнения описывают ритм сердца, так что алгоритм однажды поможет кардиологам. Технология скоро научит дроны парить в ураган, а заводских роботов — жонглировать грузами.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2607.11344

In this work, we consider the identification and control of nonlinear systems with finite action spaces. The unknown dynamics are estimated from finite samples with Koopman operator regression in a reproducing kernel Hilbert space, yielding a linear switching predictive model, the switches governed by the value of the control variable. In order to perform control in closed-loop, the learned dynamics are employed in an infinite-horizon optimal control problem with time-varying stage cost, which is solved by means of model predictive control. In a theoretical analysis, we derive learning rates for the Koopman dynamics approximation. We further quantify, under suitable assumptions, the sub-optimality of the model predictive control strategy, both in the case of exact Koopman dynamics, and in the case of learned ones. Numerical simulations on the Duffing oscillator complement our theoretical findings.