$\partial$CBDs: Differentiable Causal Block Diagrams

Resumen Técnico: $\partial$CBDs: Diagramas de Bloques Causales Diferenciables

1. El Problema: La tensión entre composición, aprendizaje y verificación

En el diseño de Sistemas Ciber-Físicos (CPS) modernos, los ingenieros se enfrentan a una tensión constante entre tres objetivos fundamentales que, actualmente, se tratan de forma aislada:

• Composicionalidad: La capacidad de construir sistemas complejos mediante la interconexión de módulos (proporcionada por los Causal Block Diagrams o CBDs).
• Aprendizaje (Learnability): La capacidad de adaptar modelos y controladores mediante datos (proporcionada por la Programación Diferenciable o DP).
• Verificabilidad: La capacidad de garantizar la seguridad y el cumplimiento de restricciones (proporcionada por los marcos de Contratos de Asunción-Garantía o A–G).

Los métodos actuales obligan a elegir: los CBDs son modulares pero no son diferenciables (difíciles de optimizar); la programación diferenciable es potente para el aprendizaje pero carece de garantías de corrección estructural; y la verificación basada en contratos suele estar desconectada de los procesos de optimización basados en datos.

2. Metodología: El formalismo $\partial$CBD

Los autores proponen los $\partial$CBDs (Differentiable Causal Block Diagrams), un marco unificado que integra estas tres perspectivas mediante cinco capas de abstracción: estructural, semántica, de contratos, diferenciable y de optimización.

Componentes clave de la metodología:

• Bloques con Contratos: Cada bloque en el diagrama no solo define sus variables de entrada ($U$), estado ($X$) y salida ($Y$), sino que también incluye un contrato.
• Dos tipos de contratos:
  1. Contratos de Asunción-Garantía (A–G): Proporcionan una especificación normativa y composicional para el razonamiento de corrección (si se cumplen las asunciones $A$, se garantizan las salidas $G$).
  2. Contratos Basados en Residuos (Residual-based): Introducen una función de residuo diferenciable $C_{res}(X, U, Y; \theta) \leq 0$. Estos actúan como certificados cuantitativos a nivel de trayectoria que son compatibles con la diferenciación automática (AD).
• Reducción a Grafos Acíclicos Dirigidos (DAG): Para que el sistema sea ejecutable por motores de aprendizaje (como PyTorch o JAX), los $\partial$CBDs se transforman mediante:
  • Rate lifting (sincronización de diferentes tiempos de muestreo).
  • Loop unrolling (desenrollado de bucles de retroalimentación para un horizonte finito).
  • Event flattening (manejo de dinámicas híbridas).
• Optimización Verificable: El problema de diseño se formula como una optimización restringida donde los contratos se integran en la función de pérdida (usando penalizaciones o funciones de barrera), permitiendo que el gradiente guíe el aprendizaje hacia regiones que respeten la física y la seguridad.

3. Contribuciones Principales

1. Extensión Diferenciable de CBDs: Un formalismo que preserva la estructura composicional y la semántica de ejecución mientras permite la optimización de extremo a extremo (end-to-end).
2. Integración de Contratos como Residuos Diferenciables: La transformación de especificaciones de seguridad y rendimiento en certificados que pueden ser utilizados como restricciones en algoritmos de gradiente.
3. Reducción Algorítmica: Un método para convertir diagramas de bloques complejos (con retroalimentación y múltiples tasas de muestreo) en grafos computacionales listos para la diferenciación automática.

4. Resultados y Casos de Estudio

El artículo valida el marco mediante tres ejemplos prácticos:

• Ejemplo 1 (Sintonización de Ganancia): Se demuestra la sintonización de un controlador proporcional para un sistema escalar, donde el contrato de estabilidad (estabilidad de entrada a estado) guía la optimización para asegurar que el sistema sea estable ante perturbaciones.
• Ejemplo 2 (Control Predictivo Diferenciable - DPC): Se logra el aprendizaje conjunto de una política neuronal (controlador) y una función de Lyapunov neuronal (certificado de estabilidad) para un oscilador de Van der Pol. El sistema aprende a controlar el oscilador mientras garantiza que la energía del sistema disminuya según el certificado de Lyapunov.
• Ejemplo 3 (Deep Koopman Operator): Se utiliza para identificar modelos lineales en espacios latentes. El marco permite imponer un contrato de estabilidad sobre el radio espectral del operador de Koopman, asegurando que el modelo aprendido sea intrínsecamente estable.

5. Significado e Impacto

La importancia de $\partial$CBDs radica en su capacidad para cerrar la brecha entre la ingeniería de control clásica (basada en modelos y garantías) y el aprendizaje automático moderno (basado en datos y optimización).

Este marco permite el diseño de sistemas que no solo "aprenden de los datos", sino que lo hacen bajo restricciones físicas y de seguridad explícitas. Esto tiene aplicaciones críticas en la IA Agéntica Verificable, sistemas autónomos de seguridad crítica y arquitecturas de inteligencia híbrida, donde la interpretabilidad y la garantía de corrección son tan importantes como el rendimiento.