⚡ electrical engineering

$\partial$ CBDs: Differentiable Causal Block Diagrams

Das Paper stellt $\partial$ CBDs vor, ein neues Formalismus-Framework, das kausale Blockdiagramme mit differenzierbarer Programmierung und vertragsbasierter Verifikation vereint, um eine skalierbare, lernbare und zugleich verifizierbare Modellierung von cyber-physischen Systemen zu ermöglichen.

Ursprüngliche Autoren: Thomas Beckers, Ján Drgoňa, Truong X. Nghiem

Veröffentlicht 2026-02-10

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Thomas Beckers, Ján Drgoňa, Truong X. Nghiem

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Der „Drei-Welten-Konflikt“ in der Technik

Stell dir vor, du möchtest ein modernes, selbstfahrendes Auto bauen. Um das zu schaffen, musst du drei völlig unterschiedliche „Sprachen“ sprechen:

Die Sprache der Ingenieure (Struktur): Sie bauen das Auto wie ein Lego-Set. Motor, Bremsen, Lenkung – alles sind klare Bausteine, die nach festen Regeln zusammenstecken. Das ist sicher und überschaubar.
Die Sprache der KI (Lernen): Die Software im Auto muss aus Erfahrungen lernen (z. B. „Wie verhält sich der Asphalt bei Regen?“). KI ist wie ein extrem lernfähiger, aber manchmal etwas chaotischer Schüler, der durch Ausprobieren lernt.
Die Sprache der Sicherheitsprüfer (Garantien): Die Prüfer wollen absolute Gewissheit: „Das Auto muss innerhalb von 3 Metern bremsen, egal was passiert.“ Sie arbeiten mit strengen Verträgen und Regeln.

Das Problem bisher: Diese drei Welten sprechen nicht miteinander. Wenn die KI etwas lernt, bricht oft die klare Struktur der Ingenieure zusammen. Und wenn die Ingenieure die Struktur ändern, weiß die KI nicht, wie sie ihre gelernten Fähigkeiten darauf anpassen soll. Es ist, als hättest du einen genialen Koch (KI), der zwar fantastisch schmeckt, aber keine Ahnung hat, wie man eine Küche nach Sicherheitsvorschriften sauber hält.

Die Lösung: $\partial$ CBDs – Das „intelligente Lego mit eingebautem Gewissen“

Die Forscher haben etwas namens $\partial$ CBDs (Differentiable Causal Block Diagrams) erfunden. Man kann sich das wie ein „intelligentes Lego-System mit eingebautem Gewissen“ vorstellen.

1. Das Lego-Prinzip (Modularität)

Wie bei Lego besteht das System aus Bausteinen (Blöcken). Jeder Block hat eine klare Aufgabe: Einer ist der Motor, einer die Bremse, einer das Gehirn. Man kann sie einfach zusammenstecken, ohne das ganze System neu erfinden zu müssen.

2. Das „Gewissen“ (Verträge/Contracts)

Das ist der Clou: Jeder einzelne Baustein hat einen kleinen, digitalen „Vertrag“ in sich.

Der Motor sagt: „Ich verspreche, dass ich niemals mehr als X PS liefere, solange der Treibstoff reicht.“
Die Bremse sagt: „Ich garantiere, dass ich innerhalb von Y Sekunden reagiere, wenn das Signal kommt.“

Diese Verträge sind nicht nur Papier, sondern sie sind „differentiell“. Das ist ein kompliziertes Wort für: Sie sind für die KI spürbar.

3. Das „Spüren“ der Regeln (Differentiabilität)

Stell dir vor, du lernst Klavier spielen. Ein normaler Lehrer sagt nur: „Das war falsch.“ Das ist schwer zu lernen. Ein „differentieller“ Lehrer hingegen sagt: „Du warst 2 Millimeter zu tief und ein winziges bisschen zu spät.“

Durch diese extrem feine Rückmeldung (die mathematischen Gradienten) kann die KI während des Lernens direkt „spüren“, wenn sie gegen eine Sicherheitsregel verstößt. Wenn die KI versucht, eine Bewegung zu lernen, die den „Vertrag“ des Bausteins verletzt, bekommt sie sofort ein mathematisches Signal, das sie korrigiert – noch während sie lernt.

Warum ist das revolutionär?

Früher war es so: Erst hat man das System gebaut, dann hat man es getestet, und wenn es gefährlich war, musste man alles von vorne anfangen.

Mit $\partial$ CBDs passiert alles gleichzeitig:

Das System wird gebaut (wie Lego).
Das System lernt (wie eine KI).
Das System prüft sich selbst (durch die Verträge).

Ein konkretes Beispiel aus dem Paper:
Die Forscher haben gezeigt, wie man eine KI trainiert, die ein komplexes physikalisches System (einen Schwingungsmotor) steuert. Die KI hat nicht einfach nur „wild herumprobiert“, bis es funktionierte. Sie hatte einen mathematischen „Vertrag“ (ein Lyapunov-Zertifikat), der ihr sagte: „Du darfst lernen, wie du effizient steuerst, aber du darfst niemals die Stabilität des Systems gefährden.“ Die KI hat also gelernt, innerhalb der Leitplanken der Physik zu tanzen.

Zusammenfassend

$\partial$ CBDs sind wie ein Bauplan für Maschinen, die gleichzeitig schlau (lernfähig), ordentlich (modular) und unverzichtbar sicher (verifizierbar) sind. Es ist die Brücke zwischen der unberechenbaren Intelligenz der KI und der unerbittlichen Sicherheit der klassischen Ingenieurskunst.

Technische Zusammenfassung: $\partial$ CBDs (Differenzierbare Kausale Blockdiagramme)

1. Problemstellung

In der modernen Entwicklung von Cyber-Physischen Systemen (CPS) besteht ein Spannungsfeld zwischen drei zentralen Anforderungen:

Kompositionalität: Die Fähigkeit, komplexe Systeme aus modularen Komponenten zusammenzusetzen.
Lernbarkeit: Die Anpassung von Modellen und Reglern durch datengestützte Optimierung (Machine Learning).
Verifizierbarkeit: Die formale Garantie von Sicherheit und Korrektheit.

Bestehende Ansätze behandeln diese Ziele meist isoliert. Causal Block Diagrams (CBDs) sind zwar hervorragend für die modulare Modellierung geeignet, aber nicht nativ differenzierbar, was sie für moderne Gradienten-basierte Optimierung ungeeignet macht. Differentiable Programming (DP) ermöglicht zwar das Lernen, bietet aber kaum strukturelle Garantien für die Korrektheit. Vertragsbasierte Verifizierung (Contract-based Verification) bietet zwar formale Garantien, ist jedoch meist von den Lernprozessen entkoppelt.

2. Methodik

Die Autoren führen $\partial$ CBDs ein, ein einheitliches Formalismus-Framework, das CBDs mit differenzierbarer Programmierung und Assume-Guarantee (A–G) Verträgen integriert. Die Methodik gliedert sich in fünf Abstraktionsebenen:

Strukturelle Ebene: Jeder Block wird als Tupel definiert, das Eingänge ( $U$ ), Zustände ( $X$ ), Ausgänge ( $Y$ ), Zeitschemata ( $T$ ), Zustandsübergangsfunktionen ( $F$ ), Ausgangsfunktionen ( $g$ ), Anfangsbedingungen ($Init$) und Verträge ( $C$ ) umfasst.
Semantische Ebene: Definition der Kompositionsregeln (Parallel, Seriell, Feedback), die die kausale Ausführung des Gesamtsystems sicherstellen.
Vertragsebene (Contracts):
- A–G Verträge: Bieten normative Spezifikationen für die Korrektheit (Annahmen über Eingänge, Garantien über Ausgänge).
- Residual-basierte Verträge: Dies ist der entscheidende technische Beitrag. Verträge werden als differenzierbare "Residuals" (Reste) formuliert ( $C_{res} \leq 0$ ). Diese fungieren als quantitative Zertifikate, die entlang einer realisierten Trajektorie ausgewertet werden können.
Differenzierbare Ebene: Die Blöcke werden so definiert, dass sie mit Automatischer Differenzierung (AD) kompatibel sind. Dies umfasst diskrete Dynamiken (via Backpropagation through Time), kontinuierliche Dynamiken (via Adjoint-Methoden oder Neural ODEs), neuronale Netze sowie implizite Gleichungen (via Impliziter Funktionentheorem für Fixed-Point-Solver oder Optimierungsschichten).
Optimierungsebene: Das System wird in einen differenzierbaren gerichteten azyklischen Graphen (DAG) überführt (durch Rate-Lifting, Loop-Unrolling etc.), sodass das gesamte System als ein einziges, optimierbares Programm behandelt werden kann.

3. Kernbeiträge

Einheitliches Framework: Integration von Modellierung, Verifizierung und Lernen in einer einzigen Pipeline.
Differenzierbare Zertifikate: Transformation von formalen Spezifikationen in differenzierbare Straffunktionen (Penalty/Barrier Functions), die direkt in den Gradientenabstieg einfließen können.
Reduktion auf AD-Graphen: Ein formaler Prozess, um komplexe, hybride und rückgekoppelte CBDs in eine Form zu bringen, die von modernen Frameworks wie PyTorch oder JAX verarbeitet werden kann.

4. Ergebnisse (Fallstudien)

Die Autoren validieren das Framework durch drei Beispiele:

Tuning eines skalaren Rückkopplungsgewichts: Ein instabiles System wird so optimiert, dass ein Stabilitätszertifikat (Input-to-State Stability) strikt eingehalten wird. Die Optimierung nutzt Projektion, um den Parameter im stabilen Bereich zu halten.
Joint Learning von Neural Policy und Lyapunov-Zertifikat: Für einen Van-der-Pol-Oszillator werden gleichzeitig ein neuronales Regler-Netzwerk und eine neuronale Lyapunov-Funktion gelernt. Das Ergebnis ist ein Regler, der die Stabilität entlang der Trajektorien mathematisch (via Lyapunov-Ungleichung) garantiert.
Deep Koopman Operator Learning: Das Framework lernt eine lineare Repräsentation nichtlinearer Dynamiken. Durch die Integration eines Stabilitätsvertrags (Spektralradius $\rho(K) < 1$ ) wird sichergestellt, dass die gelernten latenten Dynamiken stabil bleiben.

5. Bedeutung und Ausblick

Die Arbeit schließt die Lücke zwischen der klassischen Systemtheorie (Modellierung/Verifizierung) und dem modernen Machine Learning. $\partial$ CBDs ermöglichen das Design von Systemen, die nicht nur "gut funktionieren" (empirisch), sondern deren Verhalten durch physikalische und sicherheitskritische Constraints garantiert ist.

Dies hat weitreichende Bedeutung für:

Verifizierbare Agenten-KI: Sicherere autonome Systeme.
Hybrid Intelligence: Die Kombination von symbolischer Logik, Optimierung und neuronalen Netzen.
Sicherheitskritische Anwendungen: Wo Lernen (Adaption) stattfinden muss, ohne die formalen Sicherheitsgarantien zu verletzen.