Observability for Nonlinear Systems: Connecting Variational Dynamics, Lyapunov Exponents, and Empirical Gramians

تخيل أنك تحاول حل لغز صور مقطوعة (جيكسو - Jigsaw) ضخم ومتغير، ولكن لا يمكنك سوى إلقاء نظرة خاطفة على قطع قليلة في كل مرة. في عالم الهندسة والعلوم، هذا هو التحدي اليومي لـ "القابلية للملاحظة" (Observability). إنه السؤال حول ما إذا كان بإمكاننا معرفة الحالة الخفية الكاملة لآلة معقدة — مثل مصنع كيميائي، أو شبكة طاقة، أو حتى قلب ينبض — بمجرد النظر إلى عدد محدود من المستشعرات. بالنسبة للآلات البسيطة ذات الخطوط المستقيمة (الأنظمة الخطية)، امتلك العلماء خريطة مثالية لعقود. ولكن بالنسبة للآلات الفوضوية، الملتوية، وغير المتوقعة في العالم الحقيقي (الأنظمة غير الخطية)، فإن الخريطة ضبابية. الأدوات القديمة إما أنها بطيئة جدًا في الحساب أو تعطي إجابات هي مجرد "نعم أو لا"، وهو أمر غير مفيد عندما تحتاج إلى معرفة كيفية اختيار أفضل المستشعرات للحصول على أفضل صورة.

هنا تتدخل دراسة جديدة، تقدم طريقة جديدة وأسرع للتنقل في هذه الأنظمة الفوضوية. يقدم الباحثون أداة رياضية جديدة تسمى "غرام المتغير" (Variational Gramian أو Var-Gram). فكر فيها كأنها رادار عالي التقنية يعمل في الوقت الفعلي، لا يخبرك فقط ما إذا كان بإمكانك رؤية اللغز بأكمده، بل يوضح لك بالضبط كيف تتمايل القطع وتتصل ببعضها البعض. ومن خلال ربط هذه الأداة الجديدة بمفهوم يسمى "أسات ليابونوف" (Lyapunov exponents) — والتي تقيس مدى سرعة نمو أو تقلص الأخطاء الصغيرة في النظام — تثبت الورقة البحثية أن هذا الرادار الجديد دقيق تمامًا مثل الطرق القديدية الثقيلة، ولكنه يعمل بشكل أسرع بكثير. الهدف النهائي؟ مساعدة المهندسين في اختيار المجموعة المثالية من المستشعرات لمراقبة الشبكات المعقدة، مما يوفر الوقت والمال والقدرة الحسابية.

الرادار الجديد للفوضى

في هذه الورقة البحثية، يتصدى المؤلفان، محمد هـ. كزما وأحمد ف. طه، لمشكلة "تحديد كمية القابلية للملاحظة" للأنظمة غير الخطية. وباللغة البسيطة، يريدون قياس مدى جودة قدرتنا على الرؤية داخل نظام معقد ومتعرج. يقترحون ثلاثة اكتشافات رئيسية تغير كيفية مقاربتنا لهذه المشكلة.

أولاً، بنوا مرآة أسرع وأذكى.
لفترة طويلة، كانت الطريقة القياسية للتحقق من القابلية للملاحظة في الأنظمة غير الخطية تستخدم شيئًا يسمى "غرام التجريب" (Empirical Gramian أو Empr-Gram). تخيل أنك تحاول فهم كيفية عمل "ترامبولين" عن طريق القفز على كل بوصة منها، واحدة تلو الأخرى، وقياس كيفية تحرك القماش. هذا ما يفعله الـ Empr-Gram: إنه يحاكي آلاف "القفزات" الصغيرة (الاضطرابات) ليرى كيف يتفاعل النظام. إنه يعمل، لكنه بطيء للغاية ويستهلك قدرات حسابية كبيرة.

يقدم المؤلفان طريقة جديدة تسمى "غرام المتغير" (Var-កម្ម Variational Gramian). بدلاً من القفز على الترامبولين آلاف المرات، ينظر الـ Var-Gram إلى القواعد الرياضية لكيفية تمدد وانحناء الترامبولين في الوقت الفعلي. لقد أثبتا أنه بالنسبة للأنظمة ذات المستشعرات الخطية (حيث يقرأ المستشعر القيمة مباشرة)، فإن الـ Var-Gram يعطي نفس الإجابة تمامًا التي يعطيها الـ Empr-Gram القديم. ومع ذلك، فإنه يفعل ذلك عن طريق تتبع "ديناميكيات التباين" للنظام — أي مراقبة كيف تتحرك تموجات صغيرة غير مرئية عبر النظام. وفي عمليات المحاكاة التي أجرياها، كانت هذه الطريقة الجديدة أسرع بشكل كبير. بالنسبة لشبكة كيميائية تسمى H2O2، استغرقت الطريقة القديمة حوالي 7.38 ثانية، بينما استغرق الـ Var-Gram الجديد 0.0043 ثانية فقط. وبالنسبة لشبكة أكبر تسمى GRI30، كان الفرق أكثر وضوحًا: من 115.05 ثانية إلى 0.489 ثانية.

ثانياً، ربطا النقاط بـ "أسات ليابونوف".
تجسر الورقة البحثية الفجوة بين عالمين مختلفين من الرياضيات. في جانب واحد، لديك الـ Var-Gram (الرادار الجديد). وعلى الجانب الآخر، لديك أسات ليابونوف (LEs)، المشهورة في نظرية الفوضى بقياس مدى سرعة ابتعاد أو اقتراب مسارين متطابقين تقريبًا في نظام ما. أظهر المؤلفان أن "اللوغاريتم الطبيعي للمحدد" (log determinant) — وهو حساب رياضي محدد — للـ Var-Gram الخاص بهما مرتبط مباشرة بهذه الأسات.

لماذا يهم هذا؟ هذا يعني أنه إذا كان النظام مستقرًا وقابلًا للملاحظة، فإن الأرقام في الـ Var-Gram ستتصرف بطريقة يمكن التنبؤ بها مرتبطة بهذه الأسات. وتحديدًا، استخرجا شرطًا: إذا كانت أكبر "قيمة ذاتية" (eigenvalue) — وهي مقياس لنمو النظام — للـ Var-Gram أقل من 1، فإن النظام يكون قابلًا للملاحظة. وهذا يعطي المهندسين "إشارة مرور" رياضية واضحة لمعرفة ما إذا كانت مستشعراتهم كافية.

ثالثاً، حلا لغز "اختيار المستشعرات".
بمجرد معرفة كيفية قياس القابلية للملاحظة، يأتي السؤال الكبير التالي: "أي المستشعرات يجب أن أشتري وأين أضعها؟" هذا ما يسمى مشكلة "اختيار عقد المستشعرات" (Sensor Node Selection أو SNS). إذا كان لديك 100 مكان محتمل للمستشعرات، فهناك مليارات التشكيلات التي يجب فحصها. يوضح المؤلفان أن الـ Var-Gram الجديد لديه خاصية رياضية خاصة تسمى "التحت-جمعية" (submodularity).

لاستخدام تشبيه: تخيل أنك تملأ دلوًا بالماء باستخدام أكواب ذات أحجام مختلفة. إذا كان الدلو فارغًا، فإن الكوب الأول يضيف الكثير من الماء. وإذا كان الدلو نصف ممتلئ بالفعل، فإن نفس الكوب يضيف كمية "جديدة" أقل من الماء. خاصية "العائد المتناقص" هذه هي ما تسمى به "التحت-جمعية". ولأن الـ Var-Gram يمتلك هذه الخاصية، يمكن للمهندسين استخدام "خوارزمية جشعة" (greedy algorithm) بسيطة وسريعة للعثور على أفضل المستشعرات. بدلاً من فحص المليارات من التشكيلات، تقوم الخوارزمية ببساطة باختيار الأفضل، ثم التالي الأفضل، وهكذا. وتثبت الورقة أنه بالنسبة لهذا النوع المحدد من المشكلات، فإن الخوارزمية الجشعة تضمن العثور على حل يبلغ 63% على الأقل من جودة الحل المثالي المطلق، وفي الممارسة العملية، غالبًا ما تصل الدقة إلى 99%.

النتائج: اختبارات من العالم الحقيقي

لم يتوقف المؤلفان عند الرياضيات فحسب؛ بل اختبرا أفكارهما على شبكتين من تفاعلات الشبكات الكيميائية في العالم الحقيقي:

1. شبكة H2O2: نظام مكون من 9 أنواع كيميائية و 27 تفاعلًا.
2. شبكة GRI30: نظام أكبر بكثير مكون من 53 نوعًا كيميائيًا و 325 تفاعلًا.

في شبكة H2O2، وجدا أنه مع وجود 5 مستشعرات فقط (من أصل 9 أماكن ممكنة)، اقترب خطأ التقدير من الصفر، مما يشير إلى إمكانية إعادة بناء حالة النظام بفعالية. المستشعرات التي اختاروها كانت العقد 1، 2، 4، 6، و9. ومن المثير للاهتمام، وجدا أن العقدة 9 كانت "حلقة ذاتية" (self-loop)، مما يعني أنها لا تتفاعل مع مواد كيميائية أخرى، لذا يجب قياسها مباشرة. أما العقدة 3 فقد تم تخطيها لأنها كانت مرتبطة سلبًا بالآخرين، مما يعني أن قياسها لم يساعد في الصورة العامة.

وعندما اختبرا شبكة GRI30 الأكبر، توسعت الطريقة بشكل رائع. وبينما انخفض خطأ التقدير بشكل كبير، إلا أنه لم يصل إلى الصفر بسبب وجود عدد كبير من الأنواع غير المتفاعلة في تلك الشبكة، مما يشير إلى أن مستشعرات إضافية قد تكون مطلوبة للتقدير المثالي للحالة في تلك الحالة المحددة. ومع ذلك، ظلت الطريقة فعالة. الوقت الذي استغرقه حل مشكلة اختيار المستشعرات للشبكة الكبيرة كان حوالي 24.8 ثانية، مما يثبت أن هذا النهج يعمل مع الأنظمة الضخمة والمعقدة.

ماذا يعني هذا (وماذا لا يعني)

تعد هذه الورقة البحثية خطوة مهمة للأمام في جعل الأنظمة غير الخطية أسهل في المراقبة. فهي تستبدل طريقة بطيئة تعتمد على القوة الغاشمة (brute-force) بطريقة أسرع وأكثر أناقة رياضية ترتبط بمفاهقات عميقة في نظرية الفوضى.

ومع ذلك، يلاحظ المؤلفون بحذر حدود عملهم الحالي. فطريقتهم مصممة للأنظمة التي لا تحتوي على مدخلات تحكم (الآلات التي تعمل من تلقاء نفسها، وليس تلك التي يتم توجيهها بنشاط من قبل إنسان أو كمبيوتر). كما ركزوا على نماذج قياس خطية، مما يعني أن المستشعرات تقرأ البيانات مباشرة. وبينما يشيرون إلى أن الرياضيات يمكن أن تمتد لتشمل مستشعرات أكثر تعقيدًا، فإن هذا الإثبات الكامل متروك للعمل المستقبلي. بالإضافة إلى ذلك، لم يختبروا هذا بعد على الأنظمة ذات البيانات "المشوشة" (حيث قد تكون المستشعرات معيبة)، رغم إقرارهم بأن هذه خطوة ضرورية قادمة.

باختًا، تسلم هذه الورقة البحثية للمهندسين كشافًا جديدًا، أخف وأسرع لاستكشاف الغابات المظلمة والمتشابكة للأنظمة غير الخطية. إنها تظهر أنه من خلال النظر في كيفية تحرك التموجات الصغيرة عبر النظام، يمكننا معرفة أين نقف بالضبط لرؤية الصورة الكاملة، وكل ذلك دون الحاجة إلى محاكاة كل احتمال ممكن.