🌀 nonlinear sciences

Controlling Dynamical Systems into Unseen Target States Using Machine Learning

تقدم هذه الورقة إطار عمل جديد للتعلم الآلي خالي من النماذج، باستخدام الحوسبة الخزانية من الجيل التالي المدركة للمعلمات، للتحكم بنجاح في الأنظمة الديناميكية المعقدة للوصول إلى حالات مستهدفة مختلفة جوهرياً وغير مرئية سابقاً، بما في ذلك الأنظمة الفوضوية، مع ضمان الانتقالات السريعة وتجنب انهيار النظام.

المؤلفون الأصليون: Daniel Köglmayr, Alexander Haluszczynski, Christoph Räth

نُشر 2026-02-13

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Daniel Köglmayr, Alexander Haluszczynski, Christoph Räth

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تقود سيارة، لكنك لم يسبق لك قيادة هذا الطراز تحديداً من قبل، وليس لديك دليل المالك. أنت تعرف كيف تتعامل السيارة عند سرعة 30 ميلاً في الساعة و60 ميلاً في الساعة، ولكن فجأة، تحتاج إلى قيادتها بأمان عند سرعة 90 ميلاً في الساعة على طريق لم تره من قبل، حيث قد تتصرف فيزياء السيارة بشكل مختلف تماماً (ربما تبدأ بالاهتزاز أو الانحراف).

المدرّبون التقليديون (أساليب التحكم القديمة) سيقولون لك: "لا يمكنك فعل ذلك! ليس لدينا الرياضيات المناسبة لسرعة 90 ميلاً في الساعة، وإذا حاولت، فقد تتحطم السيارة".

تقدم هذه الورقة البحثية مساعد قيادة "ذكياً" جديداً مدعوماً بالتعلم الآلي. هو لا يحتاج إلى دليل المالك؛ يحتاج فقط إلى أن يكون قد قاد السيارة بضع مرات بسرعات مختلفة (30، 40، 50 ميلاً في الساعة) لكي يخمن كيف سيكون سلوكها عند سرعة 90 ميلاً في الساعة، ومن ثم يقودها إلى هناك بسلاسة، متجنباً الحادث.

إليك تفصيل كيفية عمل ذلك، باستخدام تشبيهات بسيطة:

1. المشكلة: "الصندوق الأسود" والمجهول

في العالم الحقيقي، العديد من الأنظمة تشبه الصناديق السوداء المعقدة. فكر في شبكة الطاقة (شبكة الكهرباء) أو الطقس. إنها أنظمة فوضوية، مما يعني أن التغييرات الصغيرة يمكن أن تؤدي إلى نتائج ضخمة وغير متوقعة.

التحدي: يحتاج المهندسون عادةً إلى خريطة رياضية مثالية للنظام للتحكم فيه. ولكن بالنسبة للأنظمة المعقدة، غالباً ما تكون هذه الخريطة مفقودة أو يصعب حسابها.
الخطر: إذا حاولت دفع النظام إلى حالة جديدة (مثل تغيير الجهد في شبكة الطاقة بسرعة كبيرة)، فقد لا يتغير فحسب؛ بل قد "ينهار" (مثل انقطاع التيار الكهربائي) أو يعلق في حلقة غريبة وغير مستقرة لفترة طويلة قبل أن يستقر.

2. الحل: "المتنبئ الخارق" (NGRC)

استخدم المؤلفون أداة للتعلم الآلي تسمى حوسبة الخزان من الجيل التالي (NGRC).

التشبيه: تخيل طباخاً ماهراً تذوق حساءً عند ثلاث درجات حرارة مختلفة. هو لم يتذوق الحساء عند درجة الغليان، ولكن لأنه يفهم المكونات وكيفية تفاعلها مع الحرارة، يمكنه التنبؤ بدقة بمذاق الحساء عندما يصل إلى درجة الغليان.
كيف يعمل: يتعلم الذكاء الاصطناعي من بضع نقاط بيانات (درجات الحرارة التي "تُذوقت"). يقوم ببناء "توأم رقمي" للنظام. والأهم من ذلك، أن هذا التوأم "واعٍ بالمعلمات"، مما يعني أنه يفهم أنه إذا غيرت مقبضاً (مثل درجة الحرارة أو الجهد)، فإن سلوك النظام يتغير بطريقة يمكن التنبؤ بها، حتى لو كان هذا الإعداد شيئاً لم يره الذكاء الاصطناعي من قبل.

3. الخدعة السحرية: البحث عن "المسار الآمن"

الابتكار الحقيقي ليس مجرد التنبؤ بالمستقبل؛ بل هو اختيار المستقبل الصحيح.

السيناريو: تريد نقل النظام من النقطة (أ) (آمن) إلى النقطة (ب) (جديدة، غير مرئية، وربما خطيرة).
المشكلة: إذا قمت بتغيير الإعدادات فوراً، فقد يصاب النظام بالذعر ويتحطم (مثل الضغط على المكابح بقوة على طريق مبلل).
حركة الذكاء الاصطناعي: يقوم الذكاء الاصطناعي بإجراء آلاف عمليات المحاكاة لـ "ماذا لو" في عقله فوراً. ويسأل نفسه:
- إذا غيرت السرعة ببطء، هل سيهتز؟
- إذا غيرتها بسرعة، هل سيتحطم؟
- هل هناك طريقة محددة لتدوير المقود توصلنا إلى الوجهة دون أي تذبذب واحد؟
الاختيار: يختار المحاكاة الوحيدة التي تعمل بشكل مثالي ويستخدمها كمخطط للنظام الحقيقي. إنه يشبه نظام تحديد المواقع (GPS) الذي لا يكتفي بإظهالك الوجهة فحسب، بل يحسب أيضاً مدخلات التوجيه الدقيقة المطلوبة لتجنب كل حفرة في الطريق.

4. الاختبارات الواقعية: الأفعوانية وشبكة الطاقة

اختبر المؤلفون هذا على شيئين مختلفين تماماً:

أ. نظام لورينز (الأفعوانية الفوضوية)

الإعداد: نموذج رياضي لأنماط الطقس التي تدور عادةً في دائرة منتظمة ومتوقعة (دورية). أرادوا دفع النظام إلى حالة "فوضوية ضعيفة" (دوران جامح وغير متوقع) دون أن يخرج عن السيطرة أثناء عملية الانتقال.
النتيجة: بدون الذكاء الاصطناعي، عادة ما يخرج النظام عن السيطرة ويهتز بعنف قبل أن يستقر. مع الذكاء الاصطناي، انزلق النظام بسلاسة إلى الحالة الفوضوية، مثل أفعوانية تنتقل من حلقة دائرية إلى هبوط حاد دون هزّ الركاب.

ب. شبكة الطاقة (السير على حبل الكهرباء المشدود)

الإعداد: نموذج لشبكة طاقة صغيرة. إذا غيرت الطلب على الطاقة بشكل كبير، يمكن للشبكة بأكملها أن تنهار (انقطاع التيار).
النتيجة: حاولوا نقل النظام من جهد آمن إلى "منطقة الخطر" (الجهد الذي يسبق الانهيار مباشرة).
- بدون الذكاء الاصطناعي: انهارت الشبكة في 35% من الحالات، واستغرق الأمر وقتاً طويلاً جداً ليستقر في 37% من الحالات (فوضى مطولة).
- مع الذكاء الاصطناعي: انتقل النظام إلى الحالة الجديدة فوراً وبأمان بنسبة 100%. لا انهيار، ولا انتظار طويل. لقد وجد "النقطة المثالية" التي لم تستطع الرياضيات البشرية إيجادها.

5. التعامل مع الضجيج: "الراديو المشوش"

اختبروا أيضاً ما يحدث إذا كانت البيانات غير منتظمة (مثل محاولة القيادة أثناء الاستماع إلى راديو به تشويش).

النتيجة: الذكاء الاصطناعي قوي وصامد. حتى مع وجود "تشويش" (ضجيج) في البيانات، لا يزال بإمكانه توجيه النظام بأمان. ومع ذلك، وجدوا أنه إذا ضغطت على "عجلة القيادة" بقوة شديدة (تحكم عدواني للغاية)، فإن الذكاء الاصطناعي نفسه يُدخل ضجيجاً جديداً. إنها عملية توازن: يجب أن تكون حازماً بما يكفي للتوجيه، ولكن لطيفاً بما يكفي لعدم التسبب في الاهتزاز.

لماذا يهم هذا؟

هذه الورقة البحثية أمر هام لأنها تنقلنا من "لا يمكننا التحكم إلا فيما نفهمه تماماً" إلى "يمكننا التحكم في أشياء لم نرها من قبل، باستخدام بيانات قليلة جداً".

الكفاءة: يحتاج إلى بيانات أقل بـ 10 إلى 100 مرة من طرق الذكاء الاصطناعي الأخرى.
الأمان: يمنع "التحولات العابرة" (المرحلة الوسطى المخيفة وغير المستقرة) التي تحدث عادةً عند تغيير الأنظمة المعقدة.
المستقبل: يمكن أن يساعد هذا في إدارة شبكات الطاقة المستقبلية مع الطاقة الشمسية والرياح (وهي غير متوقعة)، أو تثبيت الأنظمة البيولوجية المعقدة، أو حتى التحكم في المركبات الفضائية في بيئات جديدة، وكل ذلك دون الحاجة إلى نموذج رياضي مثالي للكون.

باختصار: إنه مثل إعطاء روبوت خريطة لمدينة لم يزرها من قبل، بناءً على بضع زوايا شوارع فقط، والوثوق به ليقودك إلى وجهة في جزء من المدينة غير موجود على أي خريطة بعد — دون أن يضيع أو يصطدم.

إليك ملخص تقني مفصل لورقة البحث بعنوان "التحكم في الأنظمة الديناميكية نحو حالات مستهدفة غير مرئية باستخدام التعلم الآلي" من قبل كوجلماير وآخرون.

1. بيان المشكلة

يعد التحكم في الأنظمة الديناميكية المعقدة للوصول إلى حالات مستهدفة لم تكن مرئية سابقاً تحدياً كبيراً في الهندسة والعلوم. تعتمد طرق التحكم التقليدية (مثل PID وMPC) غالباً على نماذج رياضية دقيقة، والتي يصعب اشتقاقها للأنظمة غير الخطية، عالية الأبعاد، والمتغيرة زمنياً. وبينما يوفر التعلم الآلي (ML) بدائل، فإن العديد من النهج (مثل التعلم العميق) تتطلب موارد حوسبة وبيانات هائلة.

التحديات المحددة التي تعالجها هذه الدراسة هي:

الاستقراء (Extrapolation): التحكم في الأنظمة ضمن أنظمة معلمات (parameter regimes) وسلوكيات ديناميكية (مثل الفوضوية أو المتقطعة) لم تكن موجودة في بيانات التدريب.
كبح العبور (Transient Suppression): منع السلوكيات العابرة الضارة (مثل التذبذبات الفوضوية المطولة أو انهيار النظام) التي تحدث غالباً أثناء الانتقالات السريعة في المعلمات.
كفاءة البيانات: تحقيق تحكم عالي الأداء بأقل قدر من بيانات التدريب، وهو أمر بالغ الأهمية في السيناريوهات التي يكون فيها جمع البيانات مكلفاً أو نادراً.

2. المنهجية

يقترح المؤلفون إطار عمل يعتمد على البيانات ولا يعتمد على نموذج (model-free)، يجمع بين الحوسبة الخزنية من الجيل التالي المدركة للمعلمات (NGRC) ومخطط مبتكر لتقييم واختيار التنبؤ.

أ. الحوسبة الخزنية من الجيل التالي المدركة للمعلمات (NGRC)

البنية: على عكس الحوسبة الخزنية التقليدية (RC) التي تستخدم شبكات متكررة عشوائية، تستخدم NGRC مكتبة حتمية من الحدود أحادية الحد (monomials) الفريدة المستمدة من البيانات المدخلة المزاحة زمنياً (بناءً على الانحدار الذاتي المتجه غير الخطي).
الإدراك بالمعلمات: يتم تدريب النظام على مجموعات بيانات مستقرة متعددة بمعلمات مختلفة ( $\theta$ ). يتم تعزيز متجهات الميزات بقيمة المعلمة نفسها، مما يسمح لـ "التوأم الرقمي" المدرب بـ الاستكمال (interpolation) والاستقراء (extrapolation) لديناميكيات النظام إلى قيم معلمات غير مرئية ( $\theta_{unseen}$ ).
الكفاءة: تتطلب NGRC بيانات تدريب أقل بكثير (حوالي 10-100 مرة أقل) من طرق RC التقليدية أو التعلم العميق، مع الحفاظ على دقة تنبؤ عالية.

ب. استراتيجية التحكم

يتم تطبيق قوة التحكم $F(t)$ على النظام لتوجيهه من الحالة الحالية $u(t)$ إلى الحالة المستهدفة المتوقعة $v(t)$ :
$F(t) = K(u(t) - v(t))$
حيث $K$ هو معلم التحكم. "الهدف" $v(t)$ ليس نقطة ثابتة، بل هو مسار تتنبأ به NGRC للنظام المعلم المطلوب غير المرئي.

ج. مخطط تقييم واختيار التنبؤ

بما أن NGRC يمكنها توليد مسارات مرشحة متعددة للحالة المستهدفة (اعتماداً على الظروف الأولية وآفاق التنبؤ)، فقد قدم المؤلفون آلية اختيار:

التوليد: تقوم NGRC بتوليد عدة مسارات مرشحة غير مستقرة للانتقال من الحالة الأولية إلى الهدف غير المرئي.
التقييم: يتم تقييم كل مرشح مقابل هدف تحكم محدد مسبقاً باستخدام مقاييس معينة:
- بعد الارتباط الجاري (rcd): يُستخدم لنظام لورينز للكشف عن العبور الفوضوي. يعتبر الانتقال "سلسلاً" إذا ظل الـ rcd تحت عتبة محددة للحالة الفوضوية المستهدفة.
- الاعتلاج الطيفي (Spectral Entropy): يُستخدم لنظام القدرة لقياس مدة الفترات العابرة. الهدف هو تقليل الوقت اللازم لاستقرار الاعتلاج الطيفي (مما يشير إلى العودة إلى السلوك الدوري).
الاختيار: يتم اختيار مسار المرشح الذي يحقق الهدف (على سبيل المثال، احتمال صفري للسلوك العابر أو أدنى وقت انتقال) ليكون هو استراتيجية التحكم.

3. المساهمات الرئيسية

التحكم الاستقرائي: إثبات القدرة على التحكم في الأنظمة الديناميكية للوصول إلى حالات مستهدفة غير مرئية ذات ديناميكيات مختلفة جذرياً (مثل الانتقال من دوري إلى فوضوي ضعيف) دون معرفة مسبقة بالمعادلات الحاكمة في تلك الأنظمة.
الانتقالات الخالية من العبور: تطوير مخطط اختيار يعمل بنشاط على كبح السلوكيات العابرة (الفوضى أو الانهيار) أثناء انتقالات المعلمات، وهي نقطة فشل شائعة في التحكم القياسي.
كفاءة البيانات: التحقق من أن NGRC المدركة للمعلمات يمكنها تعلم "توأم رقمي" قادر على الاستقراء باستخدام عدد قليل فقط من مجموعات البيانات المستقرة، متفوقة بذلك على RC التقليدي في سيناريوهات ندرة البيانات.
المتانة تجاه الضجيج: إظهار أن الطريقة تظل فعالة حتى عندما يعالج المتحكم بيانات مدخلة مشوبة بالضجيج، بشر_ط أن يتم ضبط معلم التحكم $K$ لتجنب تضخيم الضجيج.

4. النتائج

تم التحقق من المنهجية على نظامين ديناميكيين متميزين:

الحالة 1: نظام لورينز (Lorenz System)

المهمة: الانتقال من مدار دوري ( $\rho = 100.5$ ) إلى حالة فوضوية ضعيفة ( $\rho = 99.5$ ).
التدريب: تم استخدام 4 مجموعات بيانات دورية ( $\rho \in \{100.0, 100.1, 100.2, 100.3\}$ ).
النتيجة:
- غالباً ما تظهر المحاكاة القياسية لهذا الانتقال عابرات فوضوية.
- حققت الطريقة المقترحة احتمالية صفرية للسلوك العابر عبر 100 حالة أولية عشوائية لمختلف أوقات الانتقال.
- الدقة الإحصائية: نجحت الأنظمة المتحكم بها في إعادة إنتاج المناخ الإحصائي للحالة الفوضوية المستهدفة، ببعد ارتباط قدره $1.1382 $(مقابل$ 1.1378 $الفعلي) وأس لورينز قدره$ 0.0628 $(مقابل$ 0.0735$ الفعلي).

الحالة 2: نموذج نظام قدرة عام (Generic Power System Model)

المهمة: الانتقال من نظام دوري إلى نافذة دورية تقع قبيل عتبة انهيار الجهد.
التحدي: أدت التغييرات اللحظية في المعلمات في المحاكاة إلى انهيار النظام بنسبة 35% وعابرات مطولة بنسبة 37%.
النتيجة:
- ضمنت طريقة التحكم انتقالات سريعة بنسبة 100% إلى الحالة المستهدفة، متجنبة تماماً انهيار النظام والعابرات الفوضوية المطولة.
- المتانة تجاه الضجيج: عند إدخال ضجيج غاوسي مضاف، حافظت الطريقة على أدائها. ومع ذلك، وُجد أن معلمات التحكم العالية ( $K$ ) تضخم الضجيج عالي التردد. وقد حقق $K$ الأمثل (مثلاً $K=10$ ) توازناً بين الانتقالات السريعة وتقليل تضخيم الضجيج (نسبة الإشارة إلى ضجيج التحكم $\approx 14$ ).

5. الأهمية والآثار المترتبة

نموذج تحكم جديد: يجسر هذا العمل الفجوة بين التنبؤ القائم على البيانات والتحكم، مما يسمح بتوجيه الأنظمة نحو أنظمة ديناميكية "غير معروفة" (مثل الفوضوية أو المتقطعة) لا يمكن للمتحكمات التقليدية القائمة على النماذج التعامل معها.
إمكانات الحوسبة الطرفية (Edge Computing): نظراً للتكلفة الحوسبية المنخفضة لـ NGRC وكفاءتها العالية في البيانات، فإن هذا النهج مناسب جداً للتطبيقات الطرفية (مثل التحكم في الشبكات الدقيقة في الوقت الفعلي، أو أنظمة الطيران) حيث تكون الموارد الحوسبية وتوافر البيانات محدودة.
التطبيقات الحرجة للسلامة: إن القدرة على التنبؤ واختيار المسارات التي تتجنب انهيار النظام تجعل هذه الطريقة حيوية للبنية التحتية الحساسة للسلامة مثل شبكات الطاقة، حيث قد يفشل التحكم التقليدي أثناء التحولات السريعة في المعلمات.
الاتجاهات المستقبلية: يشير المؤلفون إلى أنه رغم كفاءة NGRC، إلا أنها تتطلب ضبطاً دقيقاً للمعلمات الفائقة (hyperparameters) لضمان الاستقرار. سيركز العمل المستقبلي على تحسين خوارزميات التحسين لجعل الطريقة أكثر متانة وقابلية للتكيف مع النشر في العالم الحقيقي.

باختدال، تقدم الورقة إطار عمل قوياً وفعالاً من حيث البيانات يستفيد من قدرات الاستقراء لـ NGRC لحل مشكلة صعبة تتمثل في التحكم في الأنظمة غير الخطية نحو حالات ديناميكية معقدة وغير مرئية مع ضمان السلامة والاستقرار أثناء الانتقال.