⚡ electrical engineering

Safe and Robust Domains of Attraction for Discrete-Time Systems: A Set-Based Characterization and Certifiable Neural Network Estimation

تقترح هذه الورقة إطار عمل جديداً يحدد مجالات الجذب الآمنة والقوية للأنظمة غير الخطية غير المؤكدة ذات الزمن المنفصل باستخدام دوال القيمة على فضاءات مترية لمجموعات متراصة، وتستفيد من الشبكات العصبية المستوحاة من الفيزياء مع التحقق الرسمي لتقديم تقديرات قابلة للتوثيق.

المؤلفون الأصليون: Mohamed Serry, Maxwell Fitzsimmons, Jun Liu

نُشر 2026-03-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mohamed Serry, Maxwell Fitzsimmons, Jun Liu

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 على طريق جبلي متعرج. تريد أن تعرف: "إذا بدأت القيادة من هذه النقطة المحددة، فهل سأصل بالتأكيد إلى وجهتي بسلام، حتى لو كان الطريق زلقاً، أو كانت الرياح عاصفة، أو ارتكبت خطأً طفيفاً؟"

في عالم الهندسة والروبوتات، يتمحور هذا السؤال حول إيجاد نطاق الجذب (Domain of Attraction - DOA). وهو بمثابة خريطة لجميع نقاط البداية التي تضمن بقاء النظام (مثل طائرة بدون طيار، أو شبكة طاقة، أو سيارة ذاتية القيادة) آمناً في النهاية والاستقرار في وضع آمن، رغم الصدمات أو حالات عدم اليقين غير المتوقعة.

تقترح هذه الورقة البحثية طريقة جديدة وأكثر ذكاءً لرسم خريطة السلامة تلك للأنظمة المعقدة وغير المتوقعة. وإليك كيف فعلوا ذلك، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: فخ "العالم المثالي"

تقليدياً، حاول المهندسون رسم خرائط السلامة هذه باستخدام أشكال جاهزة وصلبة (مثل الدوائر المثالية أو الأشكال البيضاوية) أو من خلال افتراض أن العالم "مثالي" (لا توجد رياح، ولا احتكاك).

الخلل: الحياة الواقعية ليست مثالية. إذا صممت خريطة سلامة بافتراض عدم وجود رياح، ثم هبت عاصفة على طائرتك بدون طيار، فقد تقودك خريطتك "الآمنة" في الواقع إلى الهاوية.
الرياضيات القديمة: كانت الرياضيات المستخدمة لحساب هذه الخرائط إما بطيئة جداً (تستغرق وقتاً طويلاً للحساب) أو بسيطة للغاية (تتجاهل الواقع الفوضوي لعدم اليقين).

2. الفكرة الجديدة: "نظام تحديد مواقع (GPS) ذكي" للسلامة

ابتكر المؤلفون إطار عمل جديداً يعمل مثل نظام GPS ذكي. فبدلاً من التخمين لشكل المنطقة الآمنة، تركوا الكمبيوتر "يتعلم" الشكل من خلال فهم قواعد الطريق.

استخدموا ثلاثة مكونات رئيسية:

أ. "مسجل النقاط" (دوال القيمة - Value Functions)

تخيل لعبة يكون هدفك فيها هو الوصول إلى ميناء آمن (الوجهة).

ابتكر المؤلفون مسجلاً خاصاً للنقاط (يسمى دالة القيمة).
هذا المسجل لا ينظر فقط إلى مكانك الآن؛ بل ينظر إلى مسار مستقبلك بالكامل.
القاعدة: إذا كنت في مكان آمن، فإن نتيجتك (الدرجة) تكون منخفضة. أما إذا كنت في مكان خطر أو في مسار قد يؤدي إلى حادث، فإن نتيجتك ترتفع.
السحر: لقد أثبتوا أنه إذا تمكنت من إيجاد "مسجل نقاط" تنخفض قيمته دائماً كلما اقتربت من الميناء، فقد وجدت منطقة آمنة.

ب. "الشبكة العصبية المستوحاة من الفيزياء" (المتعلم)

عادةً، تتعلم الشبكات العصبية (الذكاء الاصطناعي) من خلال النظر في ملايين الأمثلة. ولكن في الأنظمة الحساسة للسلامة، لا يمكنك تحمل ارتكاب أخطاء أثناء التعلم.

الابتكار: بدلاً من مجرد تغذية الذكاء الاصطناعي بالبيانات، قاموا بتعليمه قوانين الفيزياء مباشرة.
فكر في الأمر كتعليم طالب ليس فقط عبر إظهار الإجابات النهائية له، بل بجعله يحفظ الصيغ الرياضية التي تولد تلك الإجابات.
يُجبر الذكاء الاصطناعي على اتباع قواعد "مسجل النقاط" (معادلات بلمان - Bellman equations) أثناء التعلم. وهذا يضمن أن الذكاء الاصطناعي لا يقوم بمجرد التخمين، بل يفهم المنطق الكامن وراء السلامة.

ج. "مفتش السلامة" (التحقق الرسمي - Formal Verification)

حتى الذكاء الاصطناعي الذكي يمكن أن يرتكب خطأً طفيفاً. في الهندسة، عبارة "أنا شبه متأكد" ليست كافية؛ أنت بحاجة إلى التأكد بنسبة "100%".

بعد أن يتعلم الذكاء الاصطناعي خريطة السلامة، يستخدم المؤلفون مفتش سلامة (أداة تحقق رسمية).
هذا المفتش يشبه مدقق حسابات صارم للغاية. فهو يفحص كل نقطة على خريطة الذكاء الاصطناعي ويثبت رياضياً: "نعم، إذا بدأت من هنا، فلن تصطدم أبداً، مهما حدث من رياح".
إذا ادعى الذكاء الاصطناعي أن نقطة ما آمنة ولكن وجد المفتش ثغرة، يتم تقليص الخريطة حتى تصبح معتمدة بنسبة 100%.

3. التشبيه: "القبو المغمور بالمياه"

تخيل أن منزلك يقع في وادٍ، وتريد معرفة أي الغرف ستظل جافة إذا حدث فيضان (عدم اليقين).

الطريقة القديمة: ترسم دائرة حول غرفة المعيشة وتقول: "إذا بقيت المياه داخل هذه الدائرة، فنحن بأمان". ولكن إذا تدفقت المياه بشكل غريب، فإن دائرتك ستكون بلا فائدة.
طريقة هذه الورقة البحثية:
1. تقوم ببناء مستشعر مياه ذكي (الشبكة العصبية) يتعلم كيفية تدفق المياه في منزلك تحديداً.
2. تجبر المستشعر على اتباع قوانين تدفق المياه (معادلات الفيزياء) حتى لا يهذي بمعلومات خاطئة.
3. تستعين بـ مهندس معتمد (أداة التحقق) ليمشي في كل غرفة حددها المستشعر على أنها "جافة"، ويثبت رياضياً أنه لا يمكن للمياه أن تدخل أبداً، حتى لو كان الفيضان فوضوياً.

4. لماذا هذا مهم؟

اختبر المؤلفون هذه الطريقة على أربعة أنظمة مختلفة معقدة (مثل شبكة طاقة وذراع روبوتية).

النتيجة: وجدت طريقتهم مناطق آمنة أكبر من الطرق السابقة. وهذا يعني أنه يمكننا القيادة بشكل أسرع، أو الطيران بارتفاع أعلى، أو استخدام المزيد من الطاقة، مع العلم أننا لا نزال في أمان.
المتانة: تعمل الطريقة حتى عندما يكون النظام "متذبذباً" أو البيئة المحيطة غير متوقعة.
الكفاءة: إنها سريعة بما يكفي لتكون مفيدة، على عكس الطرق القديمة التي قد تستغرق أياماً لإجراء الحسابات.

ملخص

تقدم هذه الورقة البحثية مجموعة أدوات جديدة لبناء آلات أكثر أماناً وموثوقية. فهي تجمع بين مرونة الذكاء الاصطناعي (للتعامل مع الأشكال المعقدة) مع صرامة الرياضيات (لضمان السلامة) وقوة الفحص الرسمي (لإثبات نجاح العمل). إنها تشبه الترقية من خريطة ورقية قد تكون خاطئة، إلى نظام GPS لا يعرف الطريق فحسب، بل يوجد معه محامٍ على متن الرحلة ليضمن لك عدم تلقي أي مخالفة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "نطاقات الجذب الآمنة والمتينة للمجالات: توصيف قائم على المجموعات وتقدير الشبكات العصبية القابل للتحقق" من إعداد محمد سيري، ماكسويل فيتزجيمونز، وجون ليو.

1. بيان المشكلة

تعالج الورقة البحثية تحدي تقدير نطاق الجذب الآمن والمتين (Safe Robust Domain of Attraction - DOA) للأنظمة غير الخطية ذات الزمن المنفصل.

نموذج النظام: $x_{k+1} = f(x_k, w_k)$ ، حيث $x_k$ هو الحالة، و $w_k$ هو اضطراب من مجموعة متراصة $W$ ، و $f$ دالة مستمرة.
الهدف: تحديد مجموعة الحالات الأولية التي تضمن لجميع المسارات:
1. التقارب إلى مجموعة ثابتة متينة (Robust Invariant Set - RIS) محددة، يُرمز لها بـ $A$ .
2. استيفاء قيود الحالة (البقاء ضمن مجموعة آمنة مفتوحة $X$ ) لجميع الخطوات الزمنية وجميع تسلسلات الاضطرابات المقبولة.
التحديات:
- تعتمد الطرق الموجودة غالبًا على دالات ليابونوف ذات صيغة ثابتة (مثل التربيعية)، مما يؤدي إلى تقديرات متحفظة للغاية.
- الحلول التقليدية القائمة على الشبكات (Grid-based) لمعادلات بلمان (Bellman) مكلفة حاسوبيًا وتعاني من "لعنة الأبعاد".
- طرق مجموع المربعات (Sum-of-Squares - SOS) محدودة بالأنظمة متعددة الحدود.
- مناهج الشبكات العصبية (NN) القياسية غالبًا ما تفتقر إلى الضمانات الرسمية فيما يتعلق بالسلامة والمتانة بسبب أخطاء التقريب وصعوبة التحقق من الديناميكيات ذات القيم المجموعية.

2. المنهجية

يقترح المؤلفون إطار عمل مبتكر يدمج دالات القيمة القائمة على المجموعات، والشبكات العصبية المستوحاة من الفيزياء (PINNs)، والتحقق الرسمي.

أ. الأساس النظري: دالات القيمة القائمة على المجموعات

بدلاً من تعريف دالات القيمة على فضاء الحالة $\mathbb{R}^n$ ، يعرّف المؤلفون هذه الدالات على المجال المتري للمجموعات المتراصة $K(\mathbb{R}^n)$ المزود بمسافة هاوسدورف (Hausdorff distance).

الافتراضات: يُفترض أن المجموعة الثابتة المتينة $A$ هي مستقرة محليًا بشكل موحد وفق معيار $\ell_p$ . هذا شرط عام يشمل الاستقرار الأسي والحدودي.
دالات القيمة: تم تقديم دالتين:
1. $V(X) = \sum_{k=0}^{\infty} \Psi(R(X, k))$ ، حيث $R(X, k)$ هي المجموعة القابلة للوصول عند الزمن $k$ ، و $\Psi$ هي دالة تكلفة تتضمن المسافة إلى $A$ ودالة حاجز للمجموعة الآمنة $X$ .
2. $W(X) = 1 - \exp(-V(X))$ .
التوصيف: يتم توصيف نطاق الجذب الآمن والمتين بدقة كالمستوى الفرعي $\{x \mid W(\{x\}) < 1\}$ .
معادلات من نوع بلمان (Bellman-Type Equations): يستنتج المؤلفون معادلات وظيفية (من نوع زوبوف - Zubov-type) تحققها دالات القيمة هذه:
- $V(X) = \Psi(X) + V(F(X))$
- $W(X) - W(F(X)) = \xi(X)(1 - W(F(X)))$
  هذه المعادلات تتحقق مع مدخلات قيمية مجموعية، حيث تمثل $F(X)$ صورة المجموعة $X$ تحت الديناميكيات غير المؤكدة.

ب. إطار الشبكة العصبية المستوحاة من الفيزياء (PINN)

لتقريب هذه الدالات في فضاءات عالية الأبعاد، يستخدم المؤلفون استراتيجية تعلم تعتمد على الشبكات العصبية:

التضمين (Embedding): نظرًا لأن معادلة بلمان تتضمن مصطلحات قيمية مجموعية ( $F(\{x\})$ )، يتم استخدام تضمين حقني (Injective Embedding) $T$ لخرائط المجموعات الفردية $\{x\}$ والمجموعات القابلة للوصول $F(\{x\})$ إلى فضاء متجهي ذي أبعاد محدودة $\mathbb{R}^L$ .
دالة الخسارة (Loss Function): تعمل عملية التدريب على تقليل خسارة مركبة:
- الخسارة القائمة على البيانات: تقلل الخطأ بين مخرج الشبكة العصبية والتقريب ذي الأفق المحدود لدالة القيمة الحقيقية (المحسوبة عبر أخذ عينات من المسارات).
- الخسارة المستوحاة من الفيزياء: تقلل متبقي (residual) معادلة بلمان المستنتجة مباشرة داخل حلقة التدريب. هذا يفرض الخصائص الهيكلية لدالة القيمة دون الحاجة إلى بيانات مصنفة لكل نقطة.
التقريب: يتم تقريب المجموعات القابلة للوص reachability sets باستخدام عدد محدود من مسارات الاضطراب التي تم أخذ عينات منها.

ج. التحقق القابل للشهادة (Certifiable Verification)

بما أن تقريبات الشبكات العصبية تُدخل أخطاءً، فإن خطوة التحقق الرسمي تصبح ضرورية لضمان السلامة:

نطاق الجذب الأولي (Initial ROA): يتم إنشاء منطقة آمنة أولية (على سبيل المثال، عبر دالة ليابونوف تربيعية).
التوسيع: يتحقق الإطار من الشروط لتوسيع هذه المنطقة. فهو يتأكد مما إذا كانت دالة الشبكة العصبية المتعلمة $\omega_{nn}$ $ω_{nn}$ تحقق:
1. السلامة: المسارات التي تبدأ في المنطقة المقدرة تظل ضمن المجموعة الآمنة $X$ .
2. التقارب: دالة القيمة تتناقص على طول المسارات ( $\omega_{nn}(f(x,w)) - \omega_{nn}(x) \leq -\epsilon$ ).
الأدوات: يستخدم التحقق أدوات التحقق الرسمي الحديثة مثل $\alpha,\beta$ -CROWN و dReal للتعامل مع عدم التحدب في الشبكات العصبية وعدم الخطية في ديناميكيات النظام.

3. المساهمات الرئيسية

التوصيف القائم على المجموعات: تقديم دالات قيمة معرفة على المجالات المترية للمجموعات المتراصة، مما يسمح بتوصيف دقيق لنطاقات الجذب الآمنة والمتينة للأنظمة غير الخطية العامة مع وجود عدم يقين وقيود حالة.
افتراضات الاستقرار العامة: تخفيف الافتراضات التقييدية (مثل الاستمرارية ليبشيتز أو المجموعات الآمنة المحدودة) من خلال استخدام الاستقرار الموحد لـ $\ell_p$ ، والذي يغطي فئة أوسع من معدلات الاضمحلال (الحدودية والأسية).
التعلم المستوحى من الفيزياء: مخطط تدريب جديد يدمك معادلات بلمان القائمة على المجموعات مباشرة في دالة خسارة الشبكة العصبية، مما يسمح بتعلم دالات ليابونوف متينة دون قوالب ثابتة.
التقدير القابل للتحقق: إجراء تحقق صارم يجسّر الفجوة بين تقريبات الشبكات العصبية المرنة وضمانات السلامة الرسمية، بما يتوافق مع أدوات التحقق الحديثة.
القابلية للتوسع: يتجنب المنهج التجزئة القائمة على الشبكات (Grid-based discretization)، مما يجعله قابلاً للتطبيق على الأنظمة ذات الأبعاد العالية حيث تفشل الطرق التقليدية.

4. النتائج

تم التحقق من المنهجية باستخدام أربع أمثلة عددية، تشمل:

نظام طاقة ثنائي الآلات مضطرب.
نظام غير خطي غير مؤكد ذو استقرار حدودي محلي.
قضيب صلب مع جاذبية وعزم دوران مشبع.
نظام عقلاني مضطرب.

النتائج الرئيسية:

الأداء: في السيناريوهات التي تأخذ في الاعتبار عدم اليقين الكامل (السيناريو 2)، قدم الإطار المقترح باستمرار أكبر تقديرات لنطاق الجذب (DOA) القابلة للتحقق مقارنة بـ:
- نطاقات الجذب الإهليلجية المحسنة (المعتمدة على ليابونوف).
- الشبكات العصبية المدربة على الديناميكيات الاسمية (غير المضطربة).
المتانة: فشلت الشبكات العصبية المدربة على الحالة الاسمية في إنتاج تقديرات قابلة للتحقق لعدة أمثلة مضطربة، بينما نجح الإطار المتين المقترح.
العمومية: تعاملت الطريقة بنجاح مع الأنظمة غير متعددة الحدود (العقلانية، المثلثية) حيث لا يمكن تطبيق طرق SOS.
التكلفة الحاسوبية: على الرغم من أن توليد البيانات (تقريب المجموعة القابلة للوصول) مكثف حاسوبيًا، إلا أن وقت التدريب والتحقق الإجمالي كان مشابهًا للنهج الاسمي. تم إدارة المقايضة بين عدد عينات المسار والدقة بفعالية.

5. الأهمية

تمثل هذه الورقة تقدمًا كبيرًا في التحكم في الأنظمة غير الخطية غير المؤكدة. من خلال الانتقال من تحليل ليابونوف للنقاط إلى دالات القيمة القائمة على المجموعات، يوفر المؤلفون طريقة دقيقة رياضيًا للتعامل مع الطبيعة المجموعية المتأصلة في مشاكل التحكم المتين. إن دمج التحقق الرسمي مع التعلم المستوحى من الفيزياء يحل عقبة حرجة في تطبيق التعلم العميق في الأنظمة الحرجة للسلامة: وهي غياب الضمانات.

يوفر هذا الإطار بديلًا عمليًا وقابلًا للتوسع ومنضبطًا نظريًا للطرق التقليدية القائمة على الشبكات أو التحسين متعدد الحدود، مما يتيح تصميم وحدات تحكم أكثر أمانًا ومتانة للأنظمة الديناميكية المعقدة وعالية الأبعاد وغير المؤكدة.