Bounded Linear Programs for Data-Driven Optimal Control via Moment-Matching

تخيل أنك تحاول توجيه سفينة عبر عاصفة دون خريطة، أو بوصلة، أو حتى رؤية واضحة للأفق. لا يمكنك سوى رؤية الأمواج وهي تلطم بدن السفينة والشعور بالرياح وهي تتبدل في وجهك. هذا هو الواقع للكثير من المهندسين والعلماء الذين يتعين عليهم التحكم في آلات معقدة، من المركبات ذاتية القيادة إلى شبكات الطاقة، عندما لا يمتلكون نموذجاً رياضياً كاملاً لكيفية سلوك تلك الأنظمة. فبدلاً من الاعتماد على مخطط مثالي، يتعين عليهم التعلم من خلال التجربة: مراقبة كيفية استجابة النظام للمدخلات المختلفة، وتسجيل تكاليف الأخطاء، وتجميع استراتيجية ناجحة تدريجياً. لعقود من الزمن، قدمت أداة رياضية قوية تسمى "البرمجة الخطية" وسيلة لإيجاد أفضل استراتيجية ممكنة في مثل هذه المواقف. ومع ذلك، فإن هذه الأداة تعاني من عيب مشهور: فكلما زاد عدد المتغيرات التي تصف النظام، غالباً ما تخرج الحسابات عن السيطرة، منتجة إجابات ضخمة بشكل لا نهائي وبالتالي غير مجدية. الأمر يشبه محاولة موازنة ميزان بأوزان تزداد ثقلاً باستمرار حتى ينكسر ذراع الميزان.

لقد وجد فريق من الباحثين في المعهد الفيدرالي السويسري للتكنولوجيا بزيورخ (ETH Zurich) طريقة للحفاظ على توازن ذلك الميزان، حتى عندما يكون النظام معقداً والبيانات شحيحة. فقد طوروا طريقة جديدة لتوجيه البحث الرياضي عن سياسة تحكم مثلى، مما يضمن بقاء الحل محدوداً وعملياً. ومن خلال استخدام تقنية تسمى "مطابقة العزوم" (moment-matching)، والتي تقوم أساساً بمواءمة "الشكل" الرياضي للحل المنشود مع الأنماط الموجودة في البيانات المرصودة، يمكنهم ضمان أن الحاسوب سيجد إجابة مستقرة. ويشير عملهم إلى أنه من الممكن تصميم وحدات تحكم للأنظمة عالية الأبعاد وغير الخطية — أي الآلات التي تحتوي على أجزاء متحركة كثيرة وسلوكيات معقدة — باستخدام كمية محدودة فقط من البيانات، دون الحاجة إلى معرفة الفيزياء الكامنة وراء النظام مسبقاً. إن هذا النهج يحول إمكانية نظرية إلى أداة هندسية موثوقة، مما يفتح الباب أمام أنظمة تحكم أكثر ذكاءً وتكيفاً في العالم الحقيقي.

إن التحدي الجوهري الذي عالجه الباحثون هو صعوبة منع هذه الحسابات الرياضية من الهروب من السيطرة. في عالم التحكم الأمثل، يتمثل الهدف في إيجاد مجموعة من القواعد التي تخبر الآلة بما يجب فعله في كل لحظة لتقليل التكلفة، مثل استهلاك الطاقة أو وقت السفر. عندما يكون النظام بسيطاً، تعمل الطرق القياسية بشكل جيد. ولكن عندما يكون النظام معقداً، مع وجود العديد من الأبعاد مثل الموقع والسرعة والتسارع وكلها تتفاعل معاً، ينفجر عدد السيناريوهات المحتملة. وقد لاحظ الباحثون أن المحاولات السابقة لحل هذه المشكلة باستخدام الأساليب القائمة على البيانات غالباً ما فشلت لأن المشكلة الرياضية أصبحت غير مقيدة (unbounded). وهذا يعني أن الحاسوب سيحاول إيجات حل ينمو بشكل لانهائي، مما يؤدي فعلياً إلى انهيار العملية الحسابية. وبينما حاولت بعض الطرق السابقة إصلاح ذلك عن طريق إضافة قيود اصطناعية أو منظمات (regularizers)، إلا أن هذه الإضافات غالباً ما كانت تشوه النتيجة النهائية، مما يجعل وحدة التحكم أقل فعالية. كما اعتمدت طرق أخرى على امتلاك كميات هائلة من البيانات، وهو أمر مستحيل غالباً في السيناريوهات الواقعية حيث تكون التجارب مكلفة أو خطيرة.

ولحل هذه المعضلة، قدم المؤلفون طريقة تستخدم البيانات نفسها لتحديد حدود البحث. فبدلاً من التخمين أين يجب أن يقع الحل، نظروا إلى الأنماط المحددة في البيانات التي تم جمعها من حركات النظام. لقد عاملوا البيانات كمجموعة من النقاط في فضاء عالي الأبعاد وتساءلوا سؤالاً بسيطاً: هل يمكننا إيجاد اتجاه لبحثنا مدعوم بهذه النقاط؟ إذا كان اتجاه البحث يتوافق مع "المخروط" (cone) من الاحتمالات الذي أنشأته البيانات، فإن الحساب مضمون البقاء محدوداً. وقد أثبتوا أنه من خلال الاختيار الدقيق لمتجه التكلفة — وهو وزن رياضي يخبر الحاسوب بما يجب إعطاؤه الأولوية — بناءً على البيانات المرصودة، يمكنهم ضمان بقاء الحل محدوداً. وهذا يشبه تحديد وجهة لرحلة مضمون الوصول إليها بناءً على التضاريس التي رسمتها بالفعل، بدلاً من استهداف نقطة قد تكون خارج حافة العالم.

اختبر الباحثون هذه الفكرة على نوعين مختلفين تماماً من الأنظمة. أولاً، نظروا في الأنظمة الخطية الثابتة زمنياً (linear time-invariant systems)، وهي الآلات التي تسلك سلوكاً يمكن التنبؤ به وبخطوط مستقيمة. لقد قاموا بمحاكاة هذه الأنظمة مع زيادة تعقيدها، من الإعدادات الصغيرة إلى الأنظمة التي تحتوي على ثلاثين متغيراً مختلفاً في الحالة. وفي هذه الاختبارات، قارنوا طريقتهم الجديدة بمنهج قياسي يستخدم متجه تكلفة ثابتاً وغير متغير. كانت النتائج مذهلة: فبينما فشلت الطريقة القياسية في إيجاد حل للأنظمة التي تحتوي على أكثر من متغيرين في الحالة، نجحت طريقة مطابقة العزوم الخاصة بهم في إيجاد حلول محدودة للأنظمة التي تصل إلى ثلاثين متغيراً، حتى عند استخدام خمسمائة نقطة بيانات فقط. وكانت وحدات التحكم التي تعلموها شبه مثالية، حيث حققت أداءً ضمن نطاق واحد بالمائة من النتيجة المثلى النظرية.

بعد ذلك، دفعوا بالمنهج إلى منطقة أكثر صعوبة: الأنظمة الميكانيكية غير الخطية. هذه هي الآلات حيث لا تتبع القوى المؤثرة عليها خطوطاً مستقيمة بسيطة؛ على سبيل المثال، نظام يحتوي على روابط مرنة، وجاذبية غير خطية، ومقاومة تزداد بتكعيب السرعة. هذه الأنظمة صعبة التحكم بشكل ملحوظ لأن التغييرات الصغيرة يمكن أن تؤدي إلى سلوكيات مختلفة تماماً. قام الباحثون بمحاكاة هذه الأنظمة بما يصل إلى عشرة أبعاد، ووجدوا أن طريقتهم لا تزال قادرة على إيجاد حلول مستقرة حيث فشلت الطريقة القياسية. وفي محاكاة محددة، قاموا بالتحكم في نظام ذي أربعة أبعاد كان غير مستقر بطبيعته، مما يعني أنه سينهار بدون تدخل. نجحت وحدة التحكم التي تعلموها في توجيه النظام إلى حالة توازن مستقرة، والحفاظ على توازنه، بينما انحرف النسخة غير المتحكم بها من نفس النظام بعيداً. وكان مفتاح هذا النجاح ليس في امتلاك المزيد من البيانات، بل في الاستخدام الأذكى للبيانات. فمن خلال مطابقة عزوم البيانات — أي متوسط القيم وتشتت السلوكيات المرصودة — تمكنوا من بناء دالة تكلفة أبقت المشكلة الرياضية قابلة للحل.

تكمن روعة هذا النهج في كفاءته واعتماده على البيانات المتاحة. فقد أظهر الباحثون أن الطريقة تعمل حتى عندما يكون عدد نقاط البيانات صغيراً بالنسبة لتعقيد النظام. ووجدوا أنه من خلال زيادة حجم مجموعة نقاط العينات المساعدة، يمكنهم تحسين فرص العث الحصول على حل حتى للأنظمة الأكبر حجماً. وهذا يشير إلى أن العائق ليس كمية البيانات، بل كيفية تفسير تلك البيانات. فالطريقة لا تتطلب أن يكون النظام خطياً أو أن تكون الديناميكيات معروفة؛ فهي تتطلب فقط أن توفر البيانات المجموعة معلومات كافية لتحديد شكل المشكلة. كما أن التكلفة الحسابية لإعداد هذه الطريقة منخفضة، حيث تتضمن فقط مجموعة من المعادلات الخطية التي يمكن حلها بسرعة على حاسوب قياسي.

في نهاية المطاف، يوفر هذا العمل مساراً عملياً للمضي قدماً في التحكم القائم على البيانات في المساحات عالية الأبعاد. فهو يبعد المجال عن فكرة أننا بحاجة إلى مجموعات بيانات ضخمة أو نماذج مثالية للتحكم في الآلات المعقدة. بدلاً من ذلك، يوضح أنه مع الإطار الرياضي الصحيح، يمكن أن تكون كمية قليلة نسبياً من البيانات كافية لاستخلاص وحدة تحكم مستقرة وفعالة. ويشير الباحثون بحذر إلى أنه بينما تعد عمليات المحاكاة التي أجروها واعدة، فإن الطريقة مثبتة حالياً للأنظمة الحتمية (deterministic systems) ذات الخصائص متعددة الحدود. وهم يرون مستقبلاً يمكن فيه توسيع هذه التقنية لتشمل الأنظمة العشوائية (stochastic systems)، حيث يلعب العشوائية دوراً أكبر، وأنواعاً أكثر تعقيداً من الدوال. أما الآن، فقد أثبتوا أن "لعنة الأبعاد" (curse of dimensionality)، التي لطالما أرقت هذه الأنواع من الحسابات، يمكن ترويضها. فمن خلال ضمان بقاء البحث عن أفضل سياسة تحكم راسخاً في واقع البيانات المرصودة، فقد حولوا مفهوماً نظرياً إلى أداة يمكن استخدامها لبناء آلات أفضل، وأكثر أماناً، وأكثر ذكاءً.