Adaptive Stability-Constrained Neural Differential Equations for Controlled Dynamical Systems with Unknown Inputs

تخيل أنك تحاول تعليم روبوت قيادة سيارة من خلال مراقبته وهو يتنقل في بعض الشوارع المحددة. تُريه كيف ينعطف يساراً عند إشارة حمراء، وكيف يزيد سرعته على طريق مستقيم. ولكن ماذا يحدث عندما ترسل هذا الروبوت إلى العالم الحقيقي، حيث تهب الرياح بقوة أكبر مما هو متوقع، أو عندما يضغط السائق فجأة على المكابح؟ في عالم الذك الذكاء الاصطناعي، هذا هو الفرق بين "تعلم نمط" و"تعلم قانون". يستخدم العلماء أدوات تسمى المعادلات التفاضلية العصبية العادية (Neural ODEs) لتعليم الحواسيب قواعد كيفية تحرك الأشياء بمرور الوقت، مثل بندول يتأرجح أو محرك يدور. هذه النماذج بارعة في محاكاة ما رأت، لكنها غالباً ما تنهار عندما يتغير الموقف قليلاً. إذا تعلم الروبوت القيادة في يوم مشمس، فقد يصطدم في يوم ممطر لأنه لم يتعلم الفيزياء الكامنة لكيفية تأثير المطر على التماسك؛ بل قام فقط بحفظ اليوم المشمس. السؤال الكبير للمهندسين هو: كيف نبني نظام تعلم يظل مستقراً وآمناً حتى عندما تكون المدخلات (مثل الرياح أو أوامر السائق) مختلفة عما تدرب عليه؟

تقدم هذه الورقة البحثية طريقة جديدة تسمى المعادلات التفاضلية العصبية ذات الاستقرار المتكيف والمقيد (AS-NDE) لحل هذه المشكلة تحديداً. فكر في نموذج الذكاء الاصطناعي كطالب يحاول تعلم قواعد لعبة ما. عادةً، يحاول الطالب فقط تخمين الحركة التالية بشكل صحيح. وإذا ارتكب خطأً صغيراً، يمكن لهذا الخطأ أن يتحول إلى كارثة كبيرة مع استمرار اللعبة. يقترح المؤلف طريقة جديدة للتدريب حيث لا يتعلم الطالب الحركات فحسب، بل يتعلم أيضاً "خريطة سلامة" خاصة (تسمى المقياس الريماني - Riemannian metric) تتغير اعتماداً على الموقف الحالي. تعمل هذه الخريطة مثل شريط مطاطي يسحب توقعات الطالب نحو المسار الصحيح كلما بدأت في الانحراف. والأهم من ذلك، أن خريطة السلامة هذه ليست ثابتة؛ فهي تتكيف في الوقت الفعلي بناءً على عناصر التحكم المستخدمة، تماماً مثل السائق الذي يعدل قبضته على عجلة القيادة عندما يصبح الطريق زلقاً.

تظهر الورقة أنه باستخدام هذه الخريطة التكيفية، يمكن للنموذج أن يضمن أن مسارين مختلفين (مثل سيارتين تسلكان نفس الطريق ولكن بمدخلات رياح أو مدخلات سائق مختلفة قليلاً) سيبقيان قريبين من بعضهما البعض. وقد اشتق المؤلف قاعدة رياضية تثبت أن المسافة بين هذين المسارين تتقلص أسياً بمرور الوقت، ما لم يكن الفرق في مدخلاتهما ضخماً. ومع ذلك، هناك تنبيه هام جداً: الأرقام والرسوم البيانية في هذه الورقة ليست نتائج حقيقية لتجربة مكتملة. يصرح المؤلف صراحةً بأن هذه "مسودة" تحتوي على "نماذج رمزية توضيحية". لقد بنوا النظرية والوصفة لكيفية اختبارها، لكنهم لم يجروا الاختبارات الكاملة على بيانات حقيقية بعد. المنحنيات التي قد تراها في الأشكال هي مجرد بدائل لإظهار ما يمكن أن تبدو عليه النتائج.

لفهم كيفية عمل ذلك، تخيل أنك تمشي مع كلب مربوط بمقود. في نموذج الذكاء الاصطناعي القياسي، يكون المقود عبارة عن عصا صلبة. إذا ابتعد الكلب (التوقع) قليلاً، فإن العصا لن تنحني بما يكفي لتصحيح المسار، وسينطلق الكلب بعيداً. في نموذج AS-NDE، يكون المقود عبلاً حبل "بنجي" (bungee cord) ذكي ومطاطي، يشتد أو يرتخي اعتماداً على سرعة ركض الكب وأين تهب الرياح. "المقياس التكيفي" هو عقل ذلك الحبل. إنه يحسب باستمرار مقدار التوتر المطلوب لإبقاء الكلب قريباً. وتثبت الورقة رياضياً أنه إذا استخدمت هذا الحبل المطاطي الذكي، فسيظل الكلب قريباً منك حتى لو تعرض كلاكما لهبة ريح مفاجئة، بشرط ألا تكون الريح أقوى مما يمكن للحبل تحمله.

اختبر المؤلف فكرته على سيناريوهين تخيليين لإظهار كيف سيعمل النظام. الأول كان "مذبذب دوفينج" (Duffing oscillator)، وهو يشبه نابضاً يصبح أكثر صلابة كلما سحبته، وهي مشكلة فيزيائية كلاسيكية. والثاني كان "محرك متزامن بمغناطيس دائم" (PMSM)، وهو نوع من المحركات الكهربائية المستخدمة في السيارات الكهربائية والروبوتات عالية الأداء. في أمثلته المحاكية، أظهرت طريقة AS-NDE الجديدة أخطاءً أصغر بكثير وانتهاكات أقل لـ "الاستقرار" (اللحظات التي تفشل فيها خريطة السلامة) مقارنة بالطرق القديمة. على سبيل المثال، في بياناته الرمزية، كانت "معدل الانتهاك" في الطريقة الجديدة 2.0% فقط، بينما كانت في الطريقة القياسية 61.0%. ولكن تذكر، هذه مجرد أرقام من محاكاة مصممة لإثبات أن المفهوم يعمل على الورق.

توضح الورقة بحذر شديد ما لا تدعيه. فهي لا تدعي أنها حلت مشكلة التحكم في كل الأنظمة الفيزيائية في العالم. ولا تدعي أن الطريقة تعمل بشكل مثالي على الأجهزة الحقيقية بعد. في الواقع، يدرج المؤلف عدة "تهديدات للصلاحية"، محذراً من أنه إذا كانت المحاكاة مثالية للغاية، فقد تبدو النتائج أفضل مما ستكون عليه في العالم الحقيقي الفوضوي. ويؤكد المؤلف أن "شهادة السلامة" التي أنشأها هي وعد بشأن سلوك النموذج، وليس ضماناً للآلة الفيزيائية الفعلية ما لم يثبت أن النموذج يطابق الآلة تماماً.

في النهاية، هذه الورقة هي مخطط توجيهي. إنها تضع طريقة دقيقة وقابلة للتكرار لتدريب نماذج الذكاء الاصطناعي التي تضمن رياضياً أن تكون مستقرة وقوية ضد الاضطرابات غير المعروفة. إنها تجمع بين مرونة التعلم العميق وأمان نظرية التحكم. لقد قدم المؤلف "الوصفة" (الرياضيات، خطوات التدريب، وبروتوكولات الاختبار) ومجموعة من "المكونات الرمزية" (البيانات الاصطناعية) لإظهار كيف يجب أن يكون طعم الطبخة. الخطوة التالية، التي حددها بوضوح كخطوة ضرورية، هي "طهي الوجبة" فعلياً: أي إجراء هذه الاختبارات على بيانات من العالم الحقيقي، واستبدال الأرقام الرمزية بقياسات حقيقية، ومعرفة ما إذا كان نموذج AS-NDE يمكنه حقاً الحفاظ على سلامة روبوت أو محرك عندما تحدث الأمور غير المتوقعة. وحتى ذلك الحين، تظل الورقة نقطة انطلاق متسقة تقنياً وواعدة، جاهزة للتجارب الواقعية التي ستثبت قيمتها.