Physics-Informed Neural Networks for Nonlinear Output Regulation

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الشبكات العصبية المستوحاة من الفيزياء للضبط غير الخطي للمخرجات" (Physics-Informed Neural Networks for Nonlinear Output Regulation) لـ مينغوزي وآخرون.

1. بيان المشكلة

تتناول الورقة البحثية مشكلة الضبط غير الخطي للمخرجات (Nonlinear Output Regulation) للأنظمة التي تكون فيها كل من حالة النظام (x) وحالة النظام الخارجي (w) معروفة (إعداد المعلومات الكاملة). الهدف هو تصميم قانون تحكم بالتغذية الراجعة بحيث يتبع مخرج النظام مساراً مرجعياً بشكل تقاربي أو يرفض الاضطرابات الناتجة عن نظام خارجي.

• التحدي النظري: يتطلب حل هذه المشكلة إيجاد خريطتين: مجمع حالة الحالة المستقرة $\pi(w)$ ومدخل تغذية أمامية $c(w)$. يجب أن تحقق هاتان الخريطتان معادلات المنظم (Regulator Equations - REs)، وهي عبارة عن نظام من المعادلات التفاضلية الجزئية (PDEs) المقترنة بقيود جبرية (معادلات إيسيدوري-بيرنيس).
• قصور الطرق الحالية:
  • الطرق التحليلية: نادراً ما تتوفر حلول دقيقة للأنظمة غير الخطية.
  • طرق التقريب (جاليركين/تايلور): تتوسع هذه الطرق بشكل سيء مع زيادة اللاخطية، وتكون صالحة فقط في جوار صغير حول نقطة الأصل، أو تتطلب توسعات معقدة من رتب عالية.
  • مناهج الشبكات العصبية السابقة: اعتمدت الحلول السابقة القائمة على الشبكات العصبية على ملاءمة البيانات (Data Fitting) باستخدام نماذج ضحلة، وافتقرت إلى القدرة على التعميم عبر بارامترات الأنظمة المختلفة أو الظروف الابتدائية دون إعادة تدريب.

2. المنهجية

يقترح المؤلفون إطار عمل يعتمد على الشبكة العصبية المستوحاة من الفيزياء (PINN) لحل معادلات المنظم مباشرة، متجاوزين الحاجة إلى مجموعات بيانات مصنفة أو مسارات محسوبة مسبقاً.

المفهوم الجوهري

بدلاً من تعلم مسار تطور زمني، تتعلم الشبكة عامل الحالة المستقرة (Steady-state operator) الذي يربط حالات النظام الخارجي $w$ مباشرة بحالات النظام المطلوبة $\pi(w)$ ومدخلات التحكم $c(w)$.

البنية والتدريب

• بنية الشبكة: شبكة عصبية كاملة الاتصال ($n_\xi$) مكونة من أربع طبقات مخفية وحوالي $8 \times 10^4$ من البارامترات. تأخذ مدخلات النظام الخارجي $w$ وتخرج التقريبات $\hat{\pi}(w)$ و $\hat{c}(w)$.
• دالة الخسارة (Loss Function): التدريب يتم بطريقة غير خاضعة للإشراف (Unsupervised). تعمل دالة الخسارة $J$ على تقليل بقايا معادلات المنظم وفرض الشروط الحدية:
  $$J = J_{PDE} + \lambda \cdot J_{BC}$$
  • $J_{PDE}$: متوسط مربع بقايا المعادلات التفاضلية الجزئية ($L_s\hat{\pi} - f(\hat{\pi}, \hat{c}, w)$) والقيود الجبرية ($h(\hat{\pi}, w)$).
  • $J_{BC}$: حد جزائي للشروط الحدية (مثل حدود المشغل/Actuator limits).
  • التفاضل التلقائي (Automatic Differentiation): يُستخدم لحساب مشتقات لي (Lie derivatives - $L_s\pi$) بالنسبة لمدخل الشبكة $w$، مما يسمح للشبكة بـ "فهم" فيزياء ديناميكيات النظام الخارجي.
• استراتيجية التعميم: يتم تدريب الشبكة عن طريق أخذ عينات من عائلة من الأنظمة الديناميكية (تغيير الظروف الابتدائية للنظام الخارجي والبارامترات مثل التردد $\Omega$). هذا يجبر الشبكة على تعلم عامل حل عام بدلاً من حالة محددة.

3. دراسة الحالة: الهبوط العمودي للمروحية

للتحقق من صحة النهج، طبق المؤلفون الطريقة على اختبار مرجعي غير خطي: مزامنة الديناميكيات العمودية لمروحية مع منصة تتذبذب توافقياً.

• ديناميكيات النظام: تم نمذجتها كجسم صلب ذي ديناميكيات متعددة المدخلات وغير خاضعة للسيطرة (Underactuated)، تشمل (دفع الدوار الرئيسي، دفع ذيل الدور، وميول الدوار).
• النظام الخارجي: متذبذب توافقي يولد مرجعاً رأسياً جيبياً بتردد وسعة غير معروفين.
• معادلات المنظم: تم اختزال المشكلة في إيجاد زوايا الميل (roll/pitch) المستقرة ($\pi_\phi, \pi_\theta$) ومدخل تحكم محدد ($c_b$) يحقق المعادلات التفاضلية الجزئية المقترنة المشتقة من معادلات نيوتن-أويلر.
• القيود: يجب أن يحترم الحل حدود المشغل (على سبيل المثال، $|u_b| \leq 0.3491$).

4. النتائج الرئيسية

تم اختبار الإطار العملي على وحدة معالجة رسومات (GPU) استهلاكية خلال أفق محاكاة مدته 30 ثانية.

• إعادة بناء عالية الدقة: نجحت شبكة PINN في إعادة بناء مجمع الخطأ الصفري بدقة عالية. نجحت الخرائط المتعلمة ($\pi(w), c(w)$) في التقاط السلوك التذبذبي الناجم عن النظام الخارجي بشكل صحيح.
• التعميم:
  • حافظ المتحكم على خطأ تتبع منخفض عبر نطاق واسع من ترددات النظام الخارجي والظروف الابتدية، بما في ذلك التكوينات التي لم تظهر أثناء التدريب (خارج التوزيع - out-of-distribution).
  • في سيناريوهات "داخل التوزيع" و"خارج التوزيع"، كان خطأ التتبع المتبقي أصغر بنحو مرتبتين من الإشارة المرجعية.
• استعادة حالة الاتزان (Trim Condition): عندما كانت حالة النظام الخارجي صفراً (لا يوجد اضطراب)، استعادت الشبكة بشكل صحيح حالة "الاتزان" المعروفة (مدخلات التحليق المستقر) للمروحية، مما أكد الاتساق الفيزيائي للحل.
• مقاييس الأداء:
  • التدريب: اكتمل في دقائق معدودة.
  • الاستدلال (Inference): عملية تمرير أمامي خفيفة الوزن مناسبة للنشر في الأنظمة المدمجة في الوقت الفعلي.
  • الخطأ: كان متوسط الخطأ المطلق في التتبع العمودي $\approx 0.031$ متر، مع كون معظم الأخطاء مهملة. حدث التباعد فقط في المناطق شديدة اللاخطية (التردد العالي/السعة العالية)، وهو ما عُزي إلى تصميم مثبت التغذية الراجعة وليس عدم قدرة PINN على حل معادلات المنظم.

5. الأهمية والمساهمات

• حل كفء للبيانات: يثبت أن المعادلات التفاضلية الجزئية المعقدة في نظرية التحكم يمكن حلها دون الحاجة إلى مجموعات بيانات ضخمة، بالاعتماد فقط على البنية الرياضية للنظام (المستوحاة من الفيزياء).
• تعلم العامل (Operator Learning): ينقل هذا النهج التركيز من حل حالة فردية إلى تعلم عامل حل يمكنه التعميم عبر عائلة من الأنظمة، مما يجعله قوياً تجاه تغيرات البارامترات.
• الجدوى في الوقت الفعلي: يجسد هذا الأسلوب الفجوة بين التحكم غير الخطي النظري (الذي غالباً ما يكون مكلفاً حوسبياً) والتطبيق العملي، حيث يوفر مساراً فعالاً حوسبياً للتحكم في الوقت الفعلي على الأجهزة المدمجة.
• قابلية التطبيق الواسعة: رغم اختبارها على مروحية، فإن المنهجية قابلة للتطبيق على أي نظام غير خطي يقبل حلاً لمشكلة ضبط المخرجات، بشرما توفر إمكانية صياغة معادلات المنظم.

6. القيود والعمل المستقبلي

• افتراض المعلومات الكاملة: تفترض الطريقة الحالية توفر حالة النظام الخارجي $w$ للتغذية الراجعة. يهدف العمل المستقبلي إلى توسيع ذلك ليشمل حالات المعلومات الجزئية (تقدير $w$).
• تثبيت التغذية الراجعة: تركز الورقة على حل معادلات المنظم (التغذية الأمامية). يعتمد استقرار النظام في الحلقة المغلقة على كسب تغذية راجعة منفصل، والذي تم ضبطه تجريبياً. يهدف العمل المستقبلي إلى دمج تصميمات تثبيت متقدمة لتوسيع نطاق التشغيل المتاح.
• عدم يقين النظام (Plant Uncertainty): يعد توسيع الإطار للتعامل مع عائلات من الأنظمة ذات عدم اليقين في البارامترات (عبر عشوائية بارامترات النظام أثناء التدريب) اتجاهاً مقترحاً.