KKL Observer Synthesis for Nonlinear Systems via Physics-Informed Learning
تقترح هذه الورقة إطار عمل تعلم جديداً قائماً على الفيزياء لتصميم مراقب كازانتيس-كرافاريس (KKL) للأنظمة غير الخطية، وذلك باستخدام الشبكات العصبية لتعلم تحويل الحالة المطلوب ومعكوسه، مع توفير ضمانات نظرية حول المتانة والأداء غير التقاربي التي تُظهر قدرة تعميم متفوقة مقارنة بالطرق الحالية.
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
الخريطة غير المرئية والكرة البلورية
تخيل أنك تحاول توجيه سفينة فضاء عبر عاصفة، لكن مقصورتك لا تحتوي إلا على مصباح واحد متذبذب يريك لون السحب في الخارج فقط. لا يمكنك رؤية سرعة السفينة، أو مستوى وقودها، أو موقعها الدقيق. لكي تطير بأمان، تحتاج إلى "كرة بلورية" — أداة رياضية تسمى المراقب (observer) — تأخذ تلك الإشارة الضوئية الوحيدة والضبابية وتخمن حالة السفينة الكاملة والمخفية. في العالم الحقيقي، غالبًا ما تكون المستشعرات معطلة، أو باهظة الثمن، أو مفقودة ببساطة، لذا يعتمد المهندسون على هذه الكرات البلورية الرياضية لملء الفجوات.
بالنسبة للآلات البسيطة والمتوقعة، امتلكنا كرات بلورية رائعة لعقود من الزمن. ولكن عندما تكون الآلة جامحة، وفوضوية، وغير خطية (مثل بندول مزدوج يتأرجح بجنون أو قلب ينبض بشكل غير منتظم)، تصبح الرياضيات معقدة للغاية. إحدى الطرق القوية، والمعروفة باسم مراقب KKL، تحاول حل هذه المشكلة عبر تخيل "عالم ظل" سري، ذي أبعاد أعلى، حيث تتحول الفوضى فيه إلى خط مستقيم وهادئ. إذا استطعت العثور على الخريطة للدخول إلى عالم الظل هذا، والخريطة للعودة منه، يمكنك التنبؤ بالمستقبل بشكل مثالي. المشكلة هي أن العثور على هذه الخرائط يشبه محاولة حل لغز تكون قطعه غير مرئية والصورة فيه تتغير باستمرار. تعالج هذه الورقة ذلك اللغز المستحيل عبر تعليم الحواسيب تعلم الخرائط نفسها، باستخدام قوانين الفيزياء كمعلم صارم.
تعليم الحواسيب رسم خرائط غير مرئية
يقترح مؤلفو هذه الورقة، وهم باحثون من المعهد الملكي للتكنولوجيا (KTH) وجامعة أكسفورد، طريقة جديدة ذكية لبناء هذه "الكرات البلورية" للأنظمة المعقدة وغير الخطية. هدفهم هو تصميم مراقب KKL، الذي يعمل مثل خدعة سحرية من خطوتين. أولاً، يأخذ الحالة الحقيقية الفوضوية لنظام ما ويحولها إلى "فضاء ظل" ذي أبعاد أعلى حيث تكون القواعد بسيطة وخطية (مثل الخط المستقيم). ثانياً، يحتاج إلى عكس الخدعة، عبر أخذ ذلك الظل البسيط ورسم خريطة للعودة به إلى العالم الحقيقي الفوضوي لإعطائنا تخميناً دقيقاً لما يحدث.
لطالما كانت العقبة الكبرى هي العثوة على هاتين الخريطتين: خريطة "الدخول" وخريطة "الخروج". تقليدياً، يعد حل المعادلات الرياضية (المعادلات التفاضلية الجزئية) لإيجاد هذه الخرائط كابوساً، وغالباً ما يكون مستحيلاً باليد. المحاولات السابقة لاستخدام الذكاء الاصطناعي (AI) لتعلم هذه الخرائط غالباً ما تعثرت؛ فقد حاولوا تعلم خريطة "الدخول" وخريطة "الخروج" في آن واحد، مثل محاولة تعلم ربط رباط حذائك الأيسر والأيمن في وقت واحد وأنت معصوب العينين. هذا غالباً ما يربك الذكاء الاصطناعي، مما يؤدي إلى تخمينات سيئة أو الوقوع في حلقة مفرغة حيث لا يستطيع التحسن.
حل الورقة: رقصة خطوة بخطوة
بدلاً من القيام بكل شيء دفعة واحدة، يقترح المؤلفون نهج التعلم المتسلسل (sequential learning). هم يعلمون الذكاء الاصطناعي في مرحلتين متمايزتين:
- المرحلة الأولى (معلم الفيزياء): أولاً، يقومون بتدريب شبكة عصبية لتعلم خريطة "الدخول". ولكن هنا تكمن اللمسة المبتكرة: هم لا يكتفون بإظهار البيانات لها فحسب، بل يجبرونها على الامتثال لقوانين الفيزياء. يستخدمون تقنية تسمى التعلم المستنير بالفيزياء (Physics-Informed Learning). تخيل تعليم طالب ليس فقط عبر إظهار الإجابات له، بل عبر إعطائه كتاباً مدرسياً للقواعد التي يجب عليه اتباعها. إذا خالفت تخمينات الطالب قاعدة من قواعد الفيزياء، فإن المعلم (الكمبيوتر) يفرض عقوبة كبيرة. هذا يضمن أن الخريطة ليست مجرد تخمين محظوظ بناءً على البيانات، بل هي حل يحترم فعلياً كيفية حركة النظام.
- المرحلة الثانية (المهندس العكسي): بمجرد تعلم خريطة "الدخول" وتثبيتها في مكانها، يستخدمونها لتوليد بيانات تدريبية جديدة ومثالية. بعد ذلك، يقومون بتدريب شبكة عصبية ثانية لتعلم خريطة "الخروج" (العكسية). ولأن الخريطة الأولى أصبحت ثابتة بالفعل، فإن الشبكة الثانية لديها هدف واضح ومستقر لتستهدفه، مما يتجنب ارتباك مشكلة "ربط الحذاء وأنت معصوب العينين".
ماذا وجدوا؟
اختبر الباحثون هذه الطريقة على بعض الأنظمة الرياضية الصعبة الشهيرة: متذبذب دوفينغ العكسي (Reverse Duffing oscillator)، ومتذبذب فان دير بول (Van der Pol oscillator)، وجاذبات روسلر (Rössler) ولورينز (Lorenz) الفوضوية (وهي جاذبات مشهورة بشكل الفراشة). قاموا بمحاكاة هذه الأنظمة ببيانات مشوشة، تماماً كما تكون المستشعرات في العالم الحقيقي.
كانت النتائج واعدة. في عمليات المحاكاة الخاصة بهم، نجحت طريقتهم الجديدة (التي يسمونها SPINN) باستمرار في تخمين الحالات المخفية بدقة أكبر من غيرها من طرق الذكاء الاصطناعي رفيعة المستوى. والأهم من ذلك، أظهرت "قوة خارقة" تسمى التعميم (generalization). فعندما اختبروا الذكاء الاصطناعي في مواقف لم يسبق له رؤيتها من قبل — مثل نظام يتأرجح بطاقة أعلى بكثير مما تدرب عليه — استمرت SPINN في العمل بنجاح. أما الطرق الأخرى، التي اعتمدت فقط على البيانات دون قواعد "الكتاب المدرسي للفيزياء"، فقد مالت إلى الفشل الذريع خارج نطاق تدريبها.
كما توفر الورقة شبكة أمان رياضية؛ فقد أثبتوا أنه حتى لو ارتكب الذكاء الاصطناعي أخطاء صغيرة، فإن المراقب لن يخرج عن السيطة؛ بل سيبقى الخطأ محدوداً ويمكن التحكم فيه، حتى لو كان النظام مشوشاً أو غير مؤكد قليلاً. وقد أظهروا أنه كلما زادت البيانات التي تُعطى للذكاء الاصطناعي وزاد تعقيد الشبكة، تحسن التخمين، لكن قواعد الفيزياء هي التي تمنعه من الانحراف عن المسار.
ما الذي لا تفعله هذه الورقة؟
من المهم ملاحظة ما لا تفعله هذه الورقة. يوضح المؤلفون بحذر أن هذا إثبات قائم على المحاكاة. لم يبنوا روبوتاً فيزيائياً أو سيارة حقيقية لاختبار هذا عليها بعد؛ بل اختبروه على نماذج حاسوبية لأنظمة فوضوية. كما أنهم يجادلون صراحة ضد فكرة تعلم الخرائط الأمامية والعكسية في وقت واحد، موضحين أن هذا النهج "المشترك" يؤدي غالباً إلى نتائج أسوأ بسبب التعليمات المتضاربة للذكاء الاصطناعي. علاوة على ذلك، بينما يشيرون إلى العمل المستقبلي، فإن هذه الورقة تحديداً لا تحل مشكلة الأنظمة التي تتغير بمرور الوقت (الأنظمة غير المستقلة زمنياً) أو الأنظمة ذات التحكم الخارجي؛ بل تركز حصرياً على الأنظمة التي تعمل من تلقاء نفسها.
باختصار، تشير الورقة إلى أنه من خلال تعليم الذكاء الاصطناعي احترام قوانين الفيزياء أولاً، ثم تعليمه عكس العملية خطوة بخوة، يمكننا بناء "كرات بلورية" أكثر ذكاءً وموثوقية للتنبؤ بسلوك أكثر الآلات فوضوية في العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.