Complete Abstractions of Monotone Control Systems: From Model-based to Data-Driven Systems

تخيل أنك تحاول تعليم روبوت كيفية قيادة سيارة بأمان عبر مدينة مزدحمة. تريد أن تكون متأكداً تماماً من أنه لن يصطدم أبداً، ولن يتجاوز إشارة حمراء، وسيحافظ دائماً على مسافة آمنة من السيارات الأخرى. هذا هو عالم نظرية التحكم، وهو علم جعل الآلات تتصرف بالطريقة التي نريدها. لكن الأنظمة في العالم الحقيقي فوضوية ومعقدة. ولحل هذه المشكلة، يستخدم المهندسون غالباً حيلة تسمى التجريد (Abstraction): حيث يبنون نسخة مبسطة، أو "نسخة كرتونية"، من النظام الحقيقي لاختبار أفكارهم. إذا نجحت النسخة الكرتونية، فهم يأملون أن ينجح الشيء الحقيقي أيضاً. ومع ذلك، هناك عقبة؛ فأحياناً تكون هذه النسخ الكرتونية صارمة للغاية، فتخبر الروبوت "لا تتحرك!" في حين كان بإمكانه التحرك بأمان. وفي أحيان أخرى، تكون فضفاضة للغاية، مما يسمح للروبوت بتجربة أشياء قد تكون خطيرة في الواقع. التحدي الكبير هو إيجاد طريقة لمعرفة مدى قرب النسخة الكرتونية من الواقع بدقة، وامتلاك وسيلة لتضييق أو توسيع هذه الفجوة كلما احتجنا لذلك.

تتناول هذه الورقة البحثية هذه المشكلة تحديداً، ولكن مع تركيز خاص على الأنظمة التي لها تدفق "في اتجاه واحد"، مثل تدفق المياه من منحدر أو حركة المرور في اتجاه واحد. تُسمى هذه الأنظمة الرتيبة (Monotone Systems). يقدم المؤلفون، وهم فريق من الباحثين من جامعات في المغرب وألمانيا وفرنسا والولايات المتحدة الأمريكية، طريقة جديدة لبناء هذه النسخ الكرتونية للتحقق من السلامة. فبدلاً من إنشاء نموذج مبسط واحد فقط، يقومون ببناء زوج من النماذج: نسخة "فائقة الأمان" وهي صارمة جداً، ونسخة "فائقة السماح" وهي فضفاضة جداً. فكر في الأمر كأنك ترسم منطقة أمان بخطين: خط أحمر يقول "لا يمكنك تجاوز هذا بالتأكيد"، وخط أخضر يقول "يمكنك تجاوز هذا بالتأكيد". إذا استطاع الروبوت إيجاد مسار بين هذين الخطين، يمكن للمؤلفين إثبات أن ذلك سيعمل في العالم الحقيقي. أما إذا لم يستطع إيجاد مسار حتى في النسخة الفضفاضة، فإنهم يعرفون بالتأكيد أن الروبوت الحقيقي لا يمكنه القيام بذلك أيضاً. هذا النهج القائم على "الزوج الكامل" يحل مشكلة تؤرق المهندسين منذ زمن طويل، حيث كانوا يتركون في حيرة من أمرهم: هل الفشل ناتج عن روبوت سيء أم بسبب خريطة سيئة؟

"ساندوتش الأمان" الجديد

جوهر هذه الورقة هو أداة رياضية جديدة تسمى ASUAS (المحاكاة البديلة العلوية المتفرقة التقريبية). وباللغة المبسطة، هذه هي "قاعدة اللعبة" لمقارنة الروبوت الحقيقي بنسخته الكرتونية. أدرك المؤلفون أنه بالنسبة للأنظمة الرتيبة، لست بحاجة لأن تكون النسخة الكرتونية نسخة طبق الأصل من الحقيقة؛ بل تحتاج فقط لمعرفة أي اتجاه هو "الأعلى" وأي اتجاه هو "الأدنى".

لقد استخدموا قاعدة اللعبة هذه لبناء "ساندوتش الأمان" الخاص بهم:

1. الرغيف العلوي (التجريد العلوي المتفرق): هذا هو النموذج الصارم والمحافظ. إنه يشبه حارس أمن يخاف من كل شيء. إذا قال هذا النموذج "لا، لا يمكنك الذهاب إلى هناك"، فيمكنك أن تكون متأكداً بنسبة 100% أن الروبوت الحقيقي لا ينبغي أن يذهب إلى هناك أيضاً. إذا تمكنت من إيجاد "متحكم" (مجموعة من التعليمات) لهذا النموذج الصارم، يمكنك ترجمته مباشرة إلى الروبوت الحقيقي، وسيكون آمناً.
2. الرغيف السفلي (التجريد السفلي المتفرق): هذا هو النموذج الفضفاض والمتفائل. إنه يشبه حارس أمن يعتقد أن كل شيء على ما يرام. إذا قال هذا النموذج "لا، لا يمكنك الذهال إلى هناك"، فإن الروبوت الحقيقي بالتأكيد لا يمكنه الذهاب إلى هناك أيضاً. وهذا هو الجزء السحري: إذا فشل النموذج الصارم ولكن النموذج الفضفاض فشل أيضاً، فأنت تعلم يقيناً أنه لا يوجد متحكم موجود للروبوت الحقيقي. عندها تتوقف عن إضاعة الوقت في محاولة حل مشكلة مستحيلة.

يثبت المؤلفون أن هذين النموذجين معاً يشكلان زوج تجريد كاملاً. وهذا يعني أنهما يغطيان جميع الجوانب. لن تظل في الظلام تتساءل: "هل فشل الروبوت الخاص بي لأنه معطل، أم لأن خريطتي كانت صارمة جداً؟". مع هذا الزوج، ستعرف مكانك بالضبط.

ضبط الفجوة

أحد أروع الميزات في هذه الورقة هو أن المؤلفين يظهرون لك أنه يمكنك ضبط الفجوة بين النموذجين الصارم والفضفاض. تخيل أن المساحة بين الخط الأحمر والأخضر هي منطقة ضبابية لست متأكداً فيها مما إذا كان الروبوت آمناً أم لا. يوضح المؤلفون أنه من خلال جعل "شبكة" خريطتك أكثر دقة (مثل الانتقال من صورة بكسلية منخفضة الدقة إلى صورة عالية الدقة)، يمكنك تقليص تلك المنطقة الضبابية. إنهم يقدمون صيغة رياضية تخبرك بالضبط مدى الدقة التي يجب أن تكون عليها شبكتك للحصول على مستوى معين من الدقة. إذا كنت تريد دقة فائقة، فما عليك سوى استخدام شبكة أكثر دقة. هذا يحول التخمين الغامض إلى عملية حسابية مضمونة.

التعلم من البيانات، وليس الرياضيات فقط

لا تتوقف الورقة عند استخدام النماذج الرياضية المثالية فقط. يدرك المؤلفون أننا في العالم الحقيقي، غالباً لا نملك المعادلات المثالية لكيفية عمل النظام. لدينا فقط بيانات—سجلات لما فعله الروبوت في الماضي. لذا، فقد وسعوا طريقتهم لتشمل الأنظمة القائمة على البيانات.

بدلاً من استخدام معادلات السيارة، استخدموا مجموعة بيانات مكونة من 10,000 نقطة (في عمليات المحاكاة الخاصة بهم) جُمعت من تحركات السيارة. لقد بنوا النماذج الصارمة والفضفاضة مباشرة من هذه البيانات.

• أظهروا أنه إذا كان لديك ما يكفي من نقاط البيانات، يمكنك بناء "نموذج صارم قائم على البيانات" يكون بنفس أمان النموذج المبني من الرياضيات المثالية.
• حتى أنهم حسبوا عدد نقاط البيانات التي تحتاجها لتكون واثقاً في نتيجتك. في مثالهم، وجدوا أنه مع حوالي 517,939 عينة عشوائية، لديك ثقة بنسبة 90% في أن خريطتك القائمة على البيانات دقيقة بما يكفي لتحل محل الخريطة القائمة على الرياضيات.

اختبار قيادة السيارة

لإثبات نجاح ذلك، أجرى المؤلفون عمليات محاكاة لنموذج مركبة. وضعوا سيناريو حيث يتعين على سيارة (التابع) أن تبقى خلف سيارة أخرى (القائد) دون الاصطدام بها، مع الحفاظ على سرعتها ضمن حدود آمنة.

• النتيجة: بنوا النموذجين الصارم والفضفاض. أعطاهم النموذج الصارم "منطقة آمنة" أصغر من المنطقة الآمنة الفعلية للسيارة، لكنهم عرفوا بالتأكيد أن أي شيء داخل تلك المنطقة هو آمن. أما النموذج الفضفاض فقد أعطى منطقة أكبر.
• الفجوة: عندما استخدموا شبكة خشنة (نقاط أقل)، كانت هناك فجوة ملحوظة بين النموذجين. ولكن عندما اتبعوا نصيحتهم واستخدموا شبكة أدق (280 في 60 حالة بدلاً من 20 في 14)، تقلصت الفجوة بشكل كبير. أصبحت المنطقة الآمنة من النموذج الصارم تطابق تقريباً المنطقة الآمنة الفعلية للسيارة.
• اختبار البيانات: عندما انتقلوا إلى استخدام البيانات فقط (بدون معادلات رياضية)، صمدت النتائج. كان المتحكم المبني على البيانات على الأقل محافظاً مثل المتحكم المبني على الرياضيات، تماماً كما توقعت النظرية، مما يثبت أن النهج القائم على البيانات هو نهج "صحيح بالبناء".

ماذا يعني هذا؟

هذه الورقة لا تقترح مجرد فكرة جديدة؛ بل توفر إطاراً مثبتاً مع ضمانات رياضية. إنها تلغي الطريقة القديمة المتمثلة في التخمين عما إذا كان المتحكم موجوداً أم لا. باستخدام "ساندوتش الأمان" هذا المكون من نماذج صارمة وفضفاضة، يمكن للمهندسين الآن:

1. ضمان السلامة: إذا نجح النموذج الصارم، فإن النظام الحقيقي يعمل.
2. إثبات الاستحالة: إذا فشل النموذج الفضفاض، فإن التحكم في النظام لهذه المهمة أمر مستحيل.
3. التحكم في الدقة: يمكنهم تعديل حجم الشبكة للوصول إلى أقرب نقطة ممكنة من الحقيقة التي يحتاجون إليها.

يشير المؤلفون بعناية إلى أنه بينما يعمل هذا بشكل رائع للأنظمة الرتيبة (مثل تدفق حركة المرور أو الإشارات البيولوجية)، إلا أنه نوع محدد من الأنظمة. ويقترحون أن العمل المستقبلي يمكن أن يحاول تطبيق هذه الأفكار على أنظمة أكثر تعقيداً وتداخلاً. ولكن في الوقت الحالي، فقد سلموا للمهندسين أداة قوية لبناء روبوتات أكثر أماناً وذكاءً دون الحاجة للتخمين في الظلام.