대수 구조를 보존하는 Koopman 학습을 위한 Deep Embedded Multiplicative DMD

Koopman 이론은 비선형 동역학 (nonlinear dynamics)을 선형 스펙트럼 문제 (linear spectral problem)로 변환합니다. 그러나 계산 과정에서는 모든 것이 까다로운 유한 차원 (finite-dimensional) 선택에 의존합니다. 즉, 관측 가능량 (observables)은 표현력이 풍부해야 하고, 동역학에 대해 거의 불변 (invariant)해야 하며, 이상적으로는 합성 (composition)과 호환되어야 합니다. Deep Koopman 방법론은 유연한 좌표 (coordinates)를 학습하는 반면, 구조 보존 (structure-preserving) 방법론은 고정된 사전 (dictionaries)에 연산자 항등식 (operator identities)을 강제합니다. 본 연구에서는 잠재 공간 (latent space)과 그 분할 (partition)을 학습하는 동시에, Koopman 곱셈 법칙 (Koopman product rule)을 정확한 대수적 제약 조건 (algebraic constraint)으로 강제하는 방법론인 Deep Embedded Multiplicative Dynamic Mode Decomposition (DeepMDMD)를 도입하여 이 두 가지 아이디어를 결합합니다. 학습은 정확한 곱셈 연산자 업데이트 (multiplicative operator update)와 Koopman 폐쇄성 (Koopman closure)을 촉진하는 미분 가능한 잠재 클러스터링 (latent-clustering) 단계 사이를 교차하며 진행됩니다. 그 결과, 학습된 잠재 셀 (latent cells) 상에서의 유한한 전이 맵 (transition map)이 생성됩니다. 이 맵의 0이 아닌 스펙트럼 (nonzero spectrum)은 단위 원 (unit circle) 상에 놓이며, 사전 (dictionary)은 주변 기하학 (ambient geometry)이 아닌 동역학에 의해 형성되고, 예측은 물리 공간 (physical space)으로 디코딩되기 전에 잠재 좌표 (latent coordinates)에서 수행됩니다. Hamiltonian, 카오스 (chaotic), 유체 (fluid) 사례 전반에 걸쳐, DeepMDMD는 기하학적 MDMD 분할에 의해 생성된 것보다 훨씬 더 압축적이고 동역학적으로 일관된 (dynamically coherent) 사전을 학습합니다. 이는 스펙트럼 오염 (spectral pollution)을 줄이고, 더 풍부한 연속 스펙트럼 구조 (continuous-spectrum structure)를 드러내며, 심한 노이즈 하에서도 안정적인 예측을 제공합니다. 158,624차원의 실린더 후류 (cylinder wake) 및 노이즈가 포함된 $Re=20,000$ lid-driven cavity를 포함한 고차원 흐름에서, DeepMDMD는 상태 공간 (state-space) MDMD가 실패하는 지점에서도 일관된 구조 (coherent structures)와 장기 스펙트럼 통계 (long-time spectral statistics)를 보존합니다. 이러한 결과는 Koopman 학습을 위한 실질적인 규칙을 제시합니다: 좌표를 학습하고, 대수 (algebra)를 제약하라.