⚡ electrical engineering

Neural Vector Lyapunov-Razumikhin Certificates for Delayed Interconnected Systems

تقترح هذه الورقة إطار عمل لتخليق والتحقق من شهادات "ليابونوف-رازوميكين" المتجهة العصبية، مما يوفر ضمانات قابلة للتوسع لاستقرار المدخلات إلى الحالة للأنظمة المترابطة ذات التأخير في الزمن المنفصل، وتبرهن على فعاليتها من خلال تطبيقات في أسراب المركبات ذات الاستقلالية المختلطة، وتشكيلات الطائرات بدون طيار، والشبكات الكهربائية الصغيرة.

المؤلفون الأصليون: Jingyuan Zhou, Yuexuan Wang, Kaidi Yang

نُشر 2026-04-02

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jingyuan Zhou, Yuexuan Wang, Kaidi Yang

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 قائد أوركسترا ضخمة وعالية السرعة. لكن هناك عقبة: الموسيقيون منتشرون في جميع أنحاء العالم، وتصل نوتاتهم الموسيقية بتأخير. أحياناً يسمع عازف الكمان الإشارة متأخرة ثانية واحدة؛ وأحياناً يسمع عازف الطبل الإشارة متأخرة 5 ثوانٍ. إذا حاول الجميع العزف ببراعة بناءً على ما يعتقدون أنه يحدث الآن، فستتحول الموسيقى سريعاً إلى فوضى وتحطم.

هذه هي مشكلة الأنظمة المترابطة ذات التأخير. وهي تحدث في الحياة الواقعية مثل قوافل السيارات ذاتية القيادة، وأسراب الدرونز (الطائرات بدون طيار)، والشبكات الذكية للكهرباء. "التأخير" هو الوقت الذي تستغرقه المعلومات للانتقال بين هذه الأنظمة.

تقترح هذه الورقة طريقة جديدة لضمان عدم تحطم هذه الأنظمة، حتى عندما تكون المعلومات متأخرة. إليك التفاصيل بتبسيط شديد:

1. المشكلة: معضلة "الصندوق الأسود"

لدى المهندسين طريقتان رئيستان للتحكم في هذه الأنظمة:

الطريقة القديمة (القائمة على النماذج): تكتب كتاب رياضيات مثالياً يصف بدقة كيفية حركة كل سيارة أو درون. ثم تصمم متحكماً بناءً على هذا الكتاب. المشكلة: الحياة الواقعية فوضوية. الكتاب لا يكون دقيقاً بنسبة 100% أبداً، وإذا أصبح الحساب معقداً جداً (مثل وجود 1,000 درون)، فإن العمليات الحسابية ستستغرق وقتاً طويلاً جداً.
الطريقة الجديدة (القائمة على التعلم/الذكاء الاصطناعي): تترك جهاز كمبيوتر "يتعلم" كيفية التحكم في النظام من خلال مراقبته، تماماً كطالب يتعلم ركوب الدراجة. تعمل هذه الطريقة بشكل رائع في الممارسة العملية، لكنها عبارة عن "صندوق أسود". أنت لا تعرف لماذا تعمل، ولا يمكنك إثبات أنها لن تتسبب في حادث إذا حدث تأخير غريب. إنها تشبه الوثوق بسائق لم يخضع للاختبار أبداً.

الهدف: نحن بحاجة إلى متحكم ذكاء اصطناعي يتعلم مثل البشر ولكن يأتي مع شهادة ضمان للسلامة (مثل رخصة القيادة) تثبت أنه سيظل مستقراً، بغض النظر عن حجم النظام أو مقدار تأخير الاتصال.

2. الحل: "ميزان حرارة الطاقة" (Lyapunov-Razumikhin)

لإثبات استقرار نظام ما، يستخدم الرياضيون شيئاً يسمى دالة ليابونوف (Lyapunov function). فكر في هذا كـ ميزان حرارة لـ "طاقة الفوضى".

إذا كانت "الطاقة" تنخفض بمرور الوقت، فإن النظام يهدأ وسوف يستقر في النهاية.
إذا كانت "الطاقة" ترتفع، فإن النظام يخرج عن السيطرة.

لقد ابتكر المؤلفون نسخة خاصة من ميزان الحرارة هذا تسمى شهادة Vector Lyapunov-Razumikhin.

متجه (Vector): بدلاً من ميزان حرارة واحد للأوركسترا بأكملها، يستخدمون ميزان حرارة لكل موسيقي على حدة. هذا يجعل النظام قابلاً للتوسع؛ حيث يمكنك إضافة 100 موسيقي آخر دون الحاجة لإعادة حساب النظام بالكامل من البداية.
رازوميكين (Razumikhin): هذا هو سحر "تأخير الوقت". تقول هذه القاعدة: "حتى لو لم أتمكن من رؤية ما حدث قبل 5 ثوانٍ، فما دام أن الطاقة في ذلك الوقت لم تكن جنونية مقارنة بالآن، فنحن في أمان". إنها تأخذ في الاعتبار تأخر وصول المعلومات.

3. الطريقة: تعليم الذكاء الاصطناعي كتابة القواعد

تقدم الورقة إطار عمل لـ تخليق (إنشاء) و التحقق من هذه الشهادات باستخدام الشبكات العصبية (الذكاء الاصطناعي).

الخطوة 1: المعلم (التخليق): يحاول الذكاء الاصطناعي تعلم متحكم و"موازين حرارة طاقة" في آن واحد. الأمر يشبه تدريب طالب على القيادة وفي نفس الوقت كتابة كتاب القواعد الذي يثبت أنه يقود بأمان.
الخطوة 2: المفتش (التحقق): بمجرد أن يعتقد الذكاء الاصطناعي أنه توصل إلى كتاب قواعد جيد، يقوم مفتش صارم بفحصه. لكن فحص كل سيناريو محتمل لـ 1,000 درون أمر مستحيل (سيستغرق 1,000 عام).
الحيلة (القابلية للتوسع): أدرك المؤلفون أنه في العديد من الأنظمة (مثل خط من السيارات المتطابقة)، كل سيارة متشابهة هيكلياً. إذا أثبتت أن كتاب القواعد يعمل لسيارة واحدة، فإنه يعمل لجميع السيارات المتطابقة الأخرى. هذا يسمح لهم بفحص عينة صغيرة وإثبات رياضياً أنها تعمل للنظام الضخم بأكد.

4. "شبكة الأمان ذات المرحلتين"

لجعل عملية التحقق سريعة، يستخدمون استراتيجية من مرحلتين:

المنطقة الخارجية: إذا كان النظام بعيداً عن هدفه (طاقة عالية)، فإنهم يتحققون مما إذا كانت "الطاقة المتأخرة" تنخفض بسرعة كافية.
المنطقة الداخلية: بمجرد اقتراب النظام من الهدف، يتحققون مما إذا كان سيظل مستقراً هناك.
من خلال تقسيم المشكلة، يتجنبون الغرق في رياضيات مستحيلة.

5. الاختبارات الواقعية

اختبروا هذا على ثلاث "أوركسترات" مختلفة:

قوافل القيادة المختلطة: خط من السيارات ذاتية القيادة مختلطة بسيارات يقودها بشر.
تشكيلات الدرونز: سرب من الدرونز يطير في نمط معين.
الشبكات الصغيرة (Microgrids): شبكة كهرباء محلية تحتوي على العديد من الألواح الشمسية والمحولات.

النتائج:

السلامة: أثبتت طريقتهم استقرار الأنظمة حتى مع وجود تأخير، بينما فشلت الطرق الأخرى في إثبات ذلك أو استغرقت وقتاً طويلاً جداً (استسلمت).
الأداء: قدمت متحكمات الذكاء الاصطناعي أداءً يضاهي، أو حتى يتفوق على، الطرق التقليدية، حيث حافظت على مسار السيارات والدرونز حتى عند هبوب الرياح أو تأخر البيانات.

تشبيه الصورة الكبيرة

تخيل سباق تتابع حيث يركض العداؤون معصوبي العينين ولا يمكنهم سوى سماع أصوات زملائهم، لكن الصوت يستغرق بضع ثوانٍ للوصول إليهم.

الذكاء الاصطناعي القديم: يخمّن العداء أين يجب أن يركض. أحياناً يفوز، وأحياناً يتعثر. ولا أحد يعرف على وجه اليقين ما إذا كان سيتعثر أم لا.
ذكاء هذه الورقة: يتعلم العداء المسار، ولكنه يحمل أيضاً بوصلة سحرية (الشهادة). هذه البوصلة لا تخبره فقط إلى أين يذهب، بل تثبت للمُحكّم أنه مهما طال زمن تأخر الصوت، فلن يخرج العداء عن المسار أو يصطدم بالعداء التالي.

باختصار: تمنحنا هذه الورقة طريقة لبناء متحكمات ذكاء اصطناعي للشبكات الضخمة والمعقدة، والتي ليست ذكية فحسب، بل تأتي أيضاً مع "ختم سلامة" مضمون رياضياً، حتى عندما يكون الاتصال بطيئاً.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "الشهادات العصبية لمتجهات ليابونوف-رازوميكين للأنظمة المترابطة ذات التأخير" (Neural Vector Lyapunov–Razumikhin Certificates for Delayed Interconnected Systems).

١. بيان المشكلة

تتناول الورقة التحدي الحرج المتمثل في ضمان استقرار المدخلات إلى الحالة (sISS) القابل للتوسع للأنظمة المترابطة واسعة النطاق (مثل أسراب المركبات، تشكيلات الطائرات بدون طيار، والشبكات الكهربائية الصغيرة) التي تعمل تحت تأثير تأخيرات الاتصال والاضطرابات الخارجية.

السياق: أصبحت الأنظمة السيبرانية الفيزيائية الحديثة معقدة للغاية ومترابطة بشكل وثيق. وبينما تقدم المتحكمات القائمة على التعلم (مثل التعلم التعزيزي) أداءً تجريبياً قوياً، فإن طبيعتها "الصندوق الأسود" تمنع تقديم ضمانات استقرار رسمية.
الفجوة: غالباً ما تفشل أدوات تحليل الاستقرار الحالية للأنظمة ذات التأخير (مثل دالات ليابونوف-كراسوفسكي) في التوسع مع حجم الشبكة. وعلى العكس من ذلك، فإن طرق الاستقرار القابلة للتوسع للأنظمة الخالية من التأخير لا يمكن تطبيقها مباشرة لأن التأخيرات تُدخل عنصر الذاكرة، مما يكسر فرضية "انعدام الذاكرة" المطلوبة في حجج متجهات ليابونوف القياسية.
الهدف: تطوير إطار عمل لتوليف والتحقق رسمياً من شهادات الاستقرار للأنظمة المترابطة ذات الزمن المنفصل والتأخير، دون الحاجة إلى معرفة صريحة بديناميكيات النظام (بدون نموذج)، مع ضمان عدم انفجار تعقيد التحقق مع زيادة عدد الوكلاء ( $N$ ).

٢. المنهجية

يقترح المؤلفون إطار عمل شهادة متجهات ليابونوف-رازوميكين العصبية. وتتكون المنهجية من ثلاث ركائز أساسية:

أ. الأساس النظري: sISS للزمن المنفصل عبر متجهات ليابونوف-رازوميكين

يضع المؤلفون شرطاً كافياً لـ sISS باستخدام دالات متجهات ليابونوف-رازوميكين.

دالات ليابونوف المتجهة: بدلاً من استخدام دالة ليابونوف عالمية واحدة، يستخدمون مجموعة من الدالات المحلية $\{V_i\}$ لكل وكيل $i$ .
شرط رازوميكين: للتعامل مع التأخيرات، يقدمون تناقصاً مشروطاً. إذا كانت قيمة ليابونوف الحالية $V_i(x_{i,k})$ أكبر بشكل كافٍ من القيم المتأخرة لجيرانها (أي أن $V_j(x_{j,k-s}) \le p \cdot V_i(x_{i,k})$ )، فيجب أن يتقلص النظام.
شرط الكسب الصغير (Small-Gain Condition): يتم التحكم في الاقتران بين الوكلاء بواسطة مصفوفة كسب $\Gamma$ تحقق شرط الكسب الصغير المستقل عن حجم الشبكة ( $\sum \gamma_{i,j} \le 1-\epsilon$ ).
النتيجة: يثبت هذا الصياغة أن حالة النظام تظل محدودة بشكل موحد بغض النظر عن حجم الشبكة $N$ ، بشرط أن تكون التأخيرات محدودة.

ب. إطار التوليف والتحقق

تقدم الورقة مسار عمل يعتمد على التعلم لإيجاد هذه الشهادات:
١. التوليف العصبي: يتم تدريب الشبكات العصبية لتقريب دالات ليابونوف المحلية $V_i$ ومعاملات الاقتران $\Gamma$ . وتفرض دالة خسارة التدريب حدود رازوميكين وعدم مساواة التناقص المشروط.
٢. التحقق المقيد بالوصول (Reachability-Constrained Verification): إن التحقق المباشر من الشروط عبر فضاء الحالة بأكمله أمر غير قابل للحوسبة. لذا، يقيد المؤلفون التحقق في نطاقات التأخير المقيدة بالوصول. يقومون بحساب التقريبات العليا للحالات التي يمكن الوصول إليها من مجموعة أولية عبر أفق زمني محدد.
٣. استراتيجية التحقق ثنائية المرحلة:
* المرحلة ١ (الخارج): تتحقق من منطق رازومकोيكين المشروط للحالات التي تكون فيها دالة ليابونوف كبيرة (خارج مستوى مستهدف).
* المرحلة ٢ (الداخل): تتحقق من تناقص غير مشروط للحالات ضمن مستوى مستهدف (حيث يكون النظام مستقراً بالفعل).
٤. الضمان القائم على أخذ العينات: باستخدام افتراضات الاستمرارية ليبشيتز (Lipschitz continuity)، يتم تقليص مشكلة التحقق ذات الأبعاد اللانهائية إلى فحوصات منتهية على شبكة منتظمة، مع إضافة هوامش لضمان الصحة لجميع النقاط المستمرة.

ج. القابلية للتوسع عبر التكافؤ الهيكلي

لمعالجة التكلفة الحسابية للقيم الكبيرة لـ $N$ ، يستفيد إطار العمل من التماثل الهيكلي (Structural Isomorphism):

تماثل البنية التحتية: إذا كان النظام الكبير يحتوي على نظام أصغر كبنية تحتية، فيمكن إعادة استخدام شهادة النظام الأصغر.
تكافؤ العقد: الوكلاء الذين لديهم ديناميكيات وهياكل جيران وأنماط تأخير متطابقة هم "متكافئون هيكلياً". ويمكنهم مشاركة نفس الشهادة العصبية.
الأثر: يسمح هذا بأن يعتمد تعقيد التحقق على عدد الفئات الهيكلية الفريدة بدلاً من إجمالي عدد الوكلاء، مما يتيح توسعاً خطياً أو ثابتاً مع $N$ .

٣. المساهمات الرئيسية

١. شرط استقرار جديد: وضع أول شرط كافٍ لـ sISS في الزمن المنفصل للأنظمة المترابطة ذات التأخير باستخدام دالات متجهات ليابونوف-رازوميكين، مما يضمن استقلال ثوابت الاستقرار عن حجم الشبكة.
٢. مسار توليف وتحقق قابل للتوسع: تطوير إطار عمل يتعلم الشهادات العصبية ويتحقق منها عبر نطاقات مقيدة بالوصول. وهو يجمع بين التوليف الاستقرائي الموجه بالنماذج المضادة (CEGIS) واستراتيجية التحقق ثنائية المرحلة.
٣. آلية التوسع: إثبات إمكانية إعادة استخدام الشهادات عبر العقد المتكافئة هيكلياً والبنى التحتية، مما يقلل بشكل كبير من تعقيد التحقق للشبكات واسعة النط scales.
٤. التحقق التجريبي: تم اختبار المنهج على ثلاثة معايير متميزة: أسراب المركبات ذات الاستقلالية المختلطة، تشكيلات الطائرات بدون طيار، والشبكات الكهربائية الصغيرة.

٤. النتائج التجريبية

تم تقييم الطريقة مقابل خطوط الأساس التي تشمل المتحكمات الاسمية، التغذية الراجعة التنبؤية، وطرق شهادات ISS/sISS أخرى.

كفاءة التحقق:
- كانت الطريقة المقترحة (التي تجمع بين قيود الوصول وإعادة الاستخدام الهيكلي) هي الوحيدة التي نجحت في التحقق من الأنظمة واسعة النطاق (حتى $N=50$ ) ضمن مهلة زمنية قدرها ٥ ساعات.
- توقفت الطرق المرجعية التي تعتمد فقط على الوصول أو التوسع عند $N=50$ .
- ظل وقت التشغيل ثابتاً تقريباً مع زيادة $N$ ، مما يؤكد قابلية التوسع لنهج إعادة الاستخدام الهيكلي.
أداء التحكم (RMSE):
- الأسراب (Platoons): حققت أدنى خطأ جذر متوسط المربع (RMSE) تحت تأثير الاضطرابات الجيبية، متفوقة على التغذية الراجعة التنبؤية والطرق الأخرى القائمة على الشهادات بنسبة تصل إلى ٢٢٪.
- الطائرات بدون طيار (Drones): طابقت أداء التغذية الراجعة التنبؤية القائمة على النموذج مع كونها خالية من النموذج.
- الشبكات الكهربائية الصغيرة (Microgrids): أظهرت تخميداً متفوقاً للاضطرابات مقارنة بجميع الخطوط المرجعية، حيث قللت RMSE بنسبة ~١٢٪ مقارنة بأفضل البدائل.
التصور البصري: أكدت مخططات دالة ليابونوف أن الشهادات المتعلمة تعمل كمقاييس تشبه الطاقة، حيث تتناقص مع تقارب النظام نحو نقطة الاتزان.

٥. الأهمية

يسد هذا العمل فجوة حرجة بين التحكم القائم على التعلم والتحقق الرسمي في سياق الأنظمة ذات التأخير الزمني.

ضمان السلامة: يوفر أول ضمانات استقرار قابلة للتوسع رسمياً للمتحكمات العصبية في الشبكات واسعة النطاق، وهو أمر ضروري لنشر الذكاء الاصطناعي في البنية التحتية الحساسة للسلامة (النقل، شبكات الطاقة).
القوة بدون نموذج (Model-Free Robustness): على عكس طرق تعويض التأخير التقليدية (مثل التغذية الراجعة التنبؤية) التي تتطلب نماذج دقيقة للنظام، يعمل هذا النهج مع ديناميكيات غير معروفة، مما يجعله قابلاً للتطبيق في الأنظمة الواقعية حيث يصعب النمذجة.
القابلية للتوسع: من خلال إثبات إمكانية مشاركة شهادات الاستقرار بين الوكلاء المتكافئين هيكلياً، تحل الورقة "لعنة الأبعاد" التي غالباً ما تصاحب التحقق من الأنظمة متعددة الوكلاء واسعة النطاق.

باختصار، تقدم الورقة إطار عمل صارماً وقابلاً للتوسع وعملياً لتوثيق استقرار الأنظمة المعقدة والمترابطة ذات التأخير والتي يتم التحكم فيها بواسطة الشبكات العصبية، متجاوزة الاختبار التجريبي إلى الضمانات الرسمية.