⚡ electrical engineering

Training with Hard Constraints: Learning Neural Certificates and Controllers for SDEs

تقترح هذه الورقة إطاري عمل للتدريب القائم على القيود يضمنان استيفاء القيود الصارمة لتخليق الشهادات العصبية والمتحكم في أنظمة المعادلات التفاضلية العشوائية، وذلك باستخدام فقد قائم على الحدود للحالات منخفضة الأبعاد ونهج قائم على السيناريو مع ضمانات احتمالية (PAC) لقابلية التوسع في الأبعاد العالية.

المؤلفون الأصليون: Chun-Wei Kong, Sebastian Escobar, Ibon Gracia, Jay McMahon, Morteza Lahijanian

نُشر 2026-03-03

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Chun-Wei Kong, Sebastian Escobar, Ibon Gracia, Jay McMahon, Morteza Lahijanian

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 تقوم بتعليم روبوت كيفية قيادة سيارة عبر مدينة ضبابية وفوضوية، حيث الطرق زلقة والرياح لا يمكن التنبؤ بها. هدفك هو إيصال السيارة من النقطة أ (البداية) إلى النقطة ب (الوجهة) دون الاصطدام بجدار أو السقوط من منحدر.

في عالم الهندسة، يسمى هذا مشكلة "الوصول-التجنب" (Reach-Avoid). "الوصول" هو الوصول إلى الوجهة، و"التجنب" هو البقاء في أمان.

المشكلة هي أن المدينة محكومة بـ معادلات تفاضلية عشوائية (SDEs). وباللغة البسيطة، هذا يعني أن حركة السيارة هي مزيج من أوامر التوجيه الخاصة بك والاضطرابات العشوائية غير المتوقعة (مثل هبة ريح أو حفرة في الطريق). وبسبب هذه العشوائية، لا يمكنك مجرد القول: "إذا انعطفت يساراً، فسوف أصل بالتأكيد". بل يجب أن تقول: "إذا انعطفت يساراً، فهناك احتمال بنسبة 99% أنني سأصل بأمان".

لفترة طويلة، عانى المهندسون لتعليم الذكاء الاصطناعي (الشبكات العصبية) القيام بذلك بـ ضمانات صارمة. عادةً ما يتعلم الذكاء الاصطناعي عن طريق التجربة والخطأ؛ قد يقود بأمان 99 مرة من أصل 100، لكن المرة المئة التي يصطدم فيها تكون كارثية. يحتاج المهندسون إلى طريقة لإثبات أن الذكاء الاصطناعي لن يصطدم أبداً، حتى قبل أن تتحرك السيارة، بغض النظر عن شدة الرياح.

يقدم هذا البحث اثنين من "معسكرات التدريب" الجديدة لتعليم سائقي الذكاء الاصطناعي هؤلاء كيف يكونون آمنين تماماً.

معسكرات التدريب المزدوجة

يقترح المؤلفون طريقتين مختلفتين لتدريب الذكاء الاصطناعي، اعتماداً على مدى تعقيد المدينة.

1. طريقة "خريطة الشبكة" (التدريب بالحدود - Bound-Training)

الأفضل لـ: المدن الصغيرة إلى المتوسطة (حتى 5 أبعاد).

تخيل أن لديك خريطة للمدينة. لإثبات أن الذك Mad الاصطناعي آمن، تقوم بتقسيم الخريطة بأكملها إلى شبكة ضخمة من المربعات الصغيرة (مثل لوحة الشطرنج).

الطريقة القديمة: تتحقق من بعض النقاط العشوائية على الخريطة. إذا بدا الذكاء الاصطناعي جيداً هناك، تفترض أنه جيد في كل مكان. ولكن ماذا لو فشل الذكاء الاصطناعي في بقعة لم تتحقق منها؟
الطريقة الجديدة: تجبر المؤلفين الذكاء الاصطناعي على إثبات أنه آمن في كل مربع من مربعات الشبكة. يستخدمون خدعة رياضية خاصة (تسمى "الحساب الفترِي" أو Interval Arithmetic) لحساب "أسوأ سيناريو" لكل مربع.
- تشبيه: بدلاً من السؤال: "هل الجسر قوي بما يكفي؟"، تسأل: "هل الجسر قوي بما يكفي حتى لو مرت شاحنة تزن 10 أطنان فوق أضعف لوح خشكي؟"
النتيجة: إذا اجتاز الذكاء الاصطناعي هذا الاختبار لكل مربع، فلديك ضمان رياضي بأنه لن يصطدم أبداً. يظهر البحث أن هذه الطريقة تعمل بشكل رائع للأنظمة التي تحتوي على ما يصل إلى 5 "متغيرات" (مثل الموقع، السرعة، الزاوية، إلخ).

2. طريقة "العينات" (التدريب القائم على السيناريوهات - Scenario-Based Training)

الأفضل لـ: المدن الضخمة والمعقدة (10 أبعاد فأكثر).

هنا تكمن المشكلة؛ فطريقة "خريطة الشبكة" تواجه تحدياً: إذا كانت مدينتك تحتوي على 10 أبعاد (الموقع، السرعة، التسارع، درجة الحرارة، الرطوبة، إلخ)، فإن عدد مربعات الشبكة اللازمة لتغطية الخريطة يصبح لانهائياً. إنه كمن يحاول عد كل حبة رمل على الشاطئ؛ الأمر يستغرق وقتاً طويلاً ويستهلك ذاكرة الكمبيوتر بالكامل.

لذا، يغير المؤلفون تكتيكهم. بدلاً من التحقق من كل مربع، يستخدمون العينات الإحصائية (Statistical Sampling).

التشبيه: تخيل أنك تريد معرفة ما إذا كان دواء جديد يعمل للجميع. لا يمكنك اختباره على كل إنسان على الأرض. بدلاً من ذلك، تختبره على 1000 شخص عشوائي. إذا نجح معهم، يمكنك القول بـ ثقة 99.9% أنه يعمل لمعظم الناس الآخرين.
الطريقة الجديدة: يتم تدريب الذكاء الاصطناعي على عدد هائل من سيناريوهات "ماذا لو" العشوائية (العينات). وتثبت الرياضيات أنه إذا اجتاز الذكاء الاصطناعي هذه العينات، فإنه مضمون الأمان بنسبة 99.9999% من المدينة. الأماكن الوحيدة التي قد يفشل فيها هي "الثقوب" الصغيرة وغير المرئية في الخريطة والتي هي صغيرة جداً لدرجة أنها لا تهم.
النتيجة: هذه الطريقة تتوسع لتصل إلى 10 أبعاد وما فوق، مما يمنحك ضماناً "صحيحاً تقريباً" (PAC). إنه ليس إثباتاً مطلقاً بنسبة 100% مثل الشبكة، ولكنه قريب جداً من 100% لدرجة أنه من الناحية العملية يعتبر آمناً تماماً.

استراتيجية "العميل المزدوج"

عادةً، يقوم المهندسون بتدريب السائق (المتحكم) أولاً، ثم يحاولون إيجاد شهادة سلامة (قاعدة بيانات) لإثبات أن السائق آمن. إذا كان السائق متهوراً للغاية، تفشل الشهادة، ويضطرون للبدء من جديد.

يقدم هذا البحث نهج "التوليف المشترك" (Joint Synthesis). إنهم يدربون السائق وشهادة السلامة (القاعدة) في نفس الوقت.

تشبيه: تخيل مدرب رقص (القاعدة) وراقص (السائق) يتدربان معاً. المدرب لا يكتفي بالمراقبة فحسب؛ بل يوجه حركات الراقص بنشاط في الوقت الفعلي. إذا كان الراقص على وشك التعثر، يقوم المدرب فوراً بتعديل خطوات الرقص للحفاظ على سلامته.
يضمن هذا أن يتعلم السائق كيف يكون آمناً أثناء تعلمه كيفية الوصول إلى الهدف، بدلاً من تعلم القيادة بسرعة ثم محاولة إصلاح مشكلات السلامة لاحقاً.

لماذا يهم هذا الأمر؟

السلامة أولاً: لا يتعلق الأمر فقط بجعل الذكاء الاصطناعي أسرع؛ بل بجعله آمناً بما يكفي للوظائف الحرجة مثل السيارات ذاتية القيادة، أو الطائرات بدون طيار التي تطير وسط العواصف، أو التحكم في المفاعلات النووية.
القابلية للتوسع: الطرق السابقة كانت قادرة فقط على التعامل مع المشكلات البسيطة ومنخفضة الأبعاد. يدفع هذا البحث الحدود، مما يسمح لنا بالتحقق من الأنظمة المعقدة وعالية الأبعاد التي كان من المستحيل سابقاً ضمان سلامتها.
ضمانات صارمة: في المجالات الحساسة للسلامة، عبارة "إنه يعمل عادةً" ليست كافية. أنت بحاجة إلى معرفة أنه سيعمل. يوفر هذا البحث الأدوات للحصول على هذا اليقين.

الملخص

بنى المؤلفون اثنين من "شبكات الأمان" للذكاء الاصطناعي.

شبكة الشبكة (The Grid Net): تتحقق من كل الاحتمالات الممكنة للأنظمة الأصغر والأكثر تعقيداً لتعطي ضماناً بنسبة 100%.
شبكة العينات (The Sampling Net): تتحقق من عدد هائل من الاحتمالات العشوائية للأنظمة الضخمة لتعطي ضماناً بنسبة 99.999%.

تسمح كلتا الطريقتين للذكاء الاصطناعي بتعلم "شهادة سلامة" (إثبات رياضي للأمان) في نفس وقت تعلمه كيفية القيادة، مما يضمن أن الذكاء الاصطناعي لا "يأمل" فقط أن يكون آمناً، بل هو "مثبت" أنه آمن.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التدريب مع القيود الصارمة: تعلم الشهادات والمتحكمات العصبية للمعادلات التفاضلية العشوائية (SDEs)".

1. بيان المشكلة

تتناول هذه الورقة تحدي التحكم في الوصول والتجنب (reach-avoid control) للأنظمة المستمرة زمنياً والمستمرة مكانياً التي تحكمها المعادلات التفاضلية العشوائية (SDEs).

الهدف: ضمان وصول نظام يبدأ من مجموعة أولية ( $X_0$ ) إلى مجموعة هدف ( $X_g$ ) مع تجنب مجموعة غير آمنة ( $X_u$ ) باحتمالية مضمونة ( $P_{RA} \geq p_{RA}$ ).
الأساس النظري: تتم صياغة المشكلة باستخدام نظرية السوبرمارنتينجال (supermartingale theory). يجب أن تحقق دالة "الشهادة" $V(x)$ متباينات محددة (عدم السالبية، الشروط الحدودية، وشرط المولد اللحظي السالب) لضمان احتمالية الوصول والتجنب رياضياً.
التحدي الجوهري: بينما تمتلك الشبكات العصبية (NNs) القدرة التعبيرية الكافية لتقريب دوال الشهادة هذه، فإن فرض القيود الصارمة (hard constraints) المطلوبة (أي تحقق المتباينات عبر المجال المستمر بأكمله) أثناء التدريب أمر صعب للغاية. تعتمد الطرق الحالية إما على العقوبات الناعمة (بدون ضمانات)، أو التحقق بعد التدريب (مشاكل في القابلية للتوسع)، أو افتراضات مقيدة (مثل الديناميكيات الخطية).
الأهداف:
1. تعلم شهادة عصبية $V_\theta$ تستوفي القيود الصارمة لمتحكم معين.
2. التوليف المشترك لمتحكم عصبي $\pi_\theta$ وشهادة $V_\theta$ لتوجيه المتحكم نحو سلوك قابل للتوثيق.

2. المنهجية

يقترح المؤلفون إطارين تدريبيين متكاملين لفرض القيود الصارمة مباشرة خلال عملية التعلم.

النهج (أ): التدريب بالحدود (Hard-SAT)

توفر هذه الطريقة ضمانات حتمية وصارمة من خلال تقسيم فضاء الحالة.

الآلية:
- يتم تقسيم المجال إلى خلايا ( $Q$ ).
- باستخدام انتشار الحدود الفترية (IBP)، تحسب الطريقة الحدود العليا والدنيا الدقيقة للشهادة $V_\theta$ ومولدها اللحظي $G[V_\theta]$ عبر كل خلية.
- يتم بناء دالة خسارة قائمة على الحدود. تجمع هذه الخسارة أسوأ حالات انتهاك متباينات الشهادة عبر جميع الخلايا.
- الضمان الرئيسي: إذا وصلت الخسارة إلى الصفر، فإن القيود تكون مستوفاة عالمياً عبر المجال بأكمله، وليس فقط عند نقاط العينات.
استراتيجيات التحسين:
- التحسين التكيفي: يتم تقسيم الخلايا التي تنتهك القيود لتضييق الحدود.
- الدمج: يتم دمج الخلايا التي تستوفي القيود بارتياح لمنع النمو الأسي في عدد التقسيمات.
- التوليد المشترك: يمتد الإطار إلى التوليد المشترك عبر الانتشار العكسي عبر رسم بياني حسابي قابل للاشتقاق مشتق من ديناميكيات الـ SDE المغلقة الحلقة، مما يؤدي لتحديث معاملات كل من المتحكم والشهادة في آن واحد.
القصور: ترتبط القابلية للتوسع بـ "لعنة الأبعاد" بسبب تقسيم فضاء الحالة (عملي حتى حوالي 5 أبعاد).

النهج (ب): التدريب القائم على السيناريو (ضمانات PAC)

تعالج هذه الطريقة الأنظمة عالية الأبعاد حيث يكون التقسيم غير ممكن، مما يوفر ضمانات التعلم التقريبي المحتمل الصحيح (PAC).

الآلية:
- بدلاً من التقسيم، تقوم الطريقة بأخذ عينة من مجموعة محدودة من الحالات $\hat{X}$ من المجال.
- تصيغ مشكلة تحسين سيناريو محدبة (تحديداً برمجة خطية) تركز فقط على أوزان الطبقة الأخيرة للشهادة العصبية.
- يتم فرض القيود فقط على النقاط التي تم أخذ العينات منها.
الضمان النظري: بناءً على نظرية السيناريو المحدبة، إذا كان عدد العينات $N$ كبيراً بما يكفي ( $N \propto \frac{1}{\epsilon} \log(1/\delta)$ )، فإن الشهادة المولدة تستوفي القيود في كل مكان باستثناء مجموعة ذات قياس $\leq \epsilon$ ، بثقة قدرها $1-\delta$ .
الميزة: تعتمد تعقيدات العينات على استقلالية عن أبعاد الحالة، مما يسمح بالتوسع إلى 10 أبعاد وما فوق.

3. المساهمات الرئيسية

إطار عمل Hard-SAT: نهج تدريب بالحدود مبتكر يدمج القيود الصارمة في تدريب الشبكات العصبية عبر تقسيم المجال والحساب الفتري، مما يضمن الصلاحية العالمية بمجرد وصول الخسارة للصفر.
التوليد المشترك: امتداد لإطار تدريب الحدود لتعلم المتحكمات والشهادات العصبية بشكل مشترك، باستخدام خسارة موحدة تربط أداء المهمة بالتحقق الرسمي.
تدريب PAC القابل للتوسع: طريقة تدريب قائمة على السيناريو وخالية من التقسيم، تتوسع لتشمل أنظمة SDE عالية الأبعاد (10D+) مع ضمانات PAC دقيقة للغاية عبر تحسين الطبقة الأخيرة فقط من الشبكة.
التحقق التجريبي: اختبارات شاملة توضح التوسع والأداء المتفوق مقارنة بأحدث الطرق (مثل Neustroev et al., 2025).

4. النتائج التجريبية

قيم المؤلفون طرقهم في عدة اختبارات مرجعية، بما في ذلك البندول المقلوب، الحركة البراونية الهندسية (GBM)، أنظمة لورينز، وطائرة XV-15 ذات الدفع المائل.

التحقق (المسألة 1):
- Hard-SAT: نجحت في التحقق من الأنظمة حتى 5 أبعاد. تطلبت عدداً أقل بكرثير من التقسيمات ووقتاً أقل من أحدث الطرق (Neustroov et al.) في الأنظمة ذات البعدين/الثلاثة، ونجحت حيث فشلت الطرق الأخرى في الأبعاد الأعلى.
- السيناريو (Scenario-Based): توسعت بسهولة لتصل إلى أنظمة 10 أبعاد. مع $N=10^6$ من العينات، حققت $P_{RA} \approx 1$ مع مقياس انتهاك $\epsilon$ منخفض يصل إلى $10^{-4}$ عند مستوى ثقة $1-10^{-9}$ .
- الدراسة الاستقصائية (Ablation): فشل التدريب المسبق وحده (القيود الناعمة) في إنتاج شهادات صالحة؛ حيث كانت خطوة تحسين القيود الصارمة النهائية ضرورية.
التوليد المشترك (المسألة 2):
- نجحت في توليد متحكمات لأنظمة البندول المقلوب، وأنظمة 3D، وديناميكيات طائرات معقدة ثلاثية الأبعاد.
- في جميع الحالات، حقق المتحكمات المولدة احتمالية وصول وتجنب تجريبية قدرها 1.0 في محاكاة مونت كارلو.
- وجهت الطريقة المتحكم بعيداً عن المناطق غير الآمنة (مثل منع البندول من السقوط أو منع الطائرة من الانهيار) بشكل أكثر فعالية من النماذج المعتمدة على العينات.

5. الأهمية والأثر

سد الفجوة: يعمل هذا العمل على سد الفجوة بين القدرة التعبيرية للتعلم العميق ودقة التحقق الرسمي للأنظمة العشوائية. إنه يتجاوز "القيود الناعمة" التي تعمل فقط على بيانات التدريب ليوفر ضمانات رياضية للتطبيقات الحرجة للسلامة.
القابلية للتوسع: من خلال تقديم نهج قائم على السيناريو للأبعاد العالية، تتغلب الورقة على العائق الرئيسي (لعنة الأبعاد) الذي حد تاريخياً من التحقق الرسمي للمتحكمات العصبية في البيئات العشوائية.
القابلية للتطبيق العملي: إن القدرة على التوليد المشترك للمتحكمات والشهادات تقلل من طبيعة "التجربة والخطأ" في تصميم التحكم الحرج للسلامة، مما يوفر مساراً مبدئياً لنشر المتحكمات العصبية في الأنظمة العشوائية الواقعية (مثل الطيران الذاتي والروبوتات).
المصدر المفتوح: يوفر المؤلفون الكود المصدري على GitHub، مما يسهل إعادة الإنتاج ومزيد من الأبحاث في التحكم العصبي الموثق.