Data-based control of Logical Networks

1. Problématique et Contexte

Les réseaux booléens (BN) et les réseaux de contrôle booléens (BCN) sont des systèmes dynamiques discrets largement utilisés pour modéliser des phénomènes complexes, notamment en biologie des systèmes (réseaux de régulation génique), en informatique et dans la théorie des jeux. Traditionnellement, l'analyse et le contrôle de ces systèmes reposent sur une approche algébrique basée sur le produit semi-tensoriel (STP), nécessitant la connaissance exacte du modèle (les matrices de transition $L$ et $H$).

Cependant, dans de nombreuses applications pratiques, l'identification précise du modèle est difficile, voire impossible, en raison de la complexité et de la taille des systèmes. Bien que les méthodes de contrôle pilotées par les données (data-driven) aient gagné en popularité, leur application aux BCN reste limitée.

Le problème central abordé dans cet article est le suivant : Comment résoudre des problèmes de contrôle fondamentaux pour un BCN (spécifiquement le contrôle sûr et la régulation de sortie) en utilisant uniquement une quantité limitée de données générées par le réseau, sans connaître ni identifier le modèle sous-jacent ?

2. Méthodologie

Les auteurs adoptent le cadre de l'informativité (informativity framework), initialement développé pour les systèmes linéaires et adapté aux réseaux logiques par Li et al. (2025). L'idée fondamentale est que, lorsque les données ne permettent pas d'identifier un modèle unique, on doit garantir que la propriété de contrôle ou la solution recherchée soit valide pour tous les BCN compatibles avec les données collectées.

A. Collecte de données et Informativité

Les auteurs considèrent des expériences offline collectant des séquences d'états ($x$), d'entrées ($u$) et de sorties ($y$) sur des intervalles de temps finis. Ces données sont organisées en matrices logiques :

• $X_p$ (états passés), $X_f$ (états futurs), $U_p$ (entrées passées), $Y_p$ (sorties passées).
• L'ensemble $B_d$ regroupe tous les couples de matrices $(\tilde{L}, \tilde{H})$ compatibles avec ces données.
• Les données sont dites informatives pour l'identifiabilité si $B_d$ ne contient qu'un seul couple (le vrai modèle). L'article suppose que ce n'est pas le cas ($B_d$ contient plusieurs modèles) et cherche à résoudre les problèmes de contrôle pour l'ensemble $B_d$.

B. Caractérisation des propriétés structurelles à partir des données

Avant d'aborder le contrôle, les auteurs établissent comment déduire des propriétés structurelles directement des données :

1. Atteignabilité (Reachability) : Ils définissent une matrice $L^d_{tot}$ (sous-approximation de la matrice de transition totale $L_{tot}$) basée sur les transitions observées dans les données. Une propriété d'atteignabilité est garantie pour tous les modèles compatibles si elle est vérifiée pour cette matrice $L^d_{tot}$. Un algorithme (Algorithme 1) permet de calculer le bassin d'attraction d'un ensemble d'états cible.
2. Points d'équilibre : Les points d'équilibre compatibles avec les données sont identifiés comme les états $x$ tels qu'une transition $x \to x$ est observée dans les données.

C. Résolution des problèmes de contrôle

Deux problèmes sont traités via des lois de commande par retour d'état ($u(t) = Kx(t)$) :

1. Contrôle Sûr (Safe Control) :

   • Objectif : Maintenir le système dans un ensemble d'états sûrs $X_s$ et le ramener dans cet ensemble s'il en sort, pour tout modèle compatible.
   • Conditions : Les données sont informatives pour le contrôle sûr si et seulement si :
     • Chaque état dans $X_s$ a au moins un successeur dans $X_s$ (observé dans les données).
     • L'ensemble $X_s$ est globalement atteignable depuis n'importe quel état d'entrée (via l'analyse de $L^d_{tot}$).
   • Solution : Un algorithme (Algorithme 2) construit la matrice de gain $K$ en sélectionnant les entrées qui maintiennent ou rapprochent les états de $X_s$.

2. Régulation de Sortie (Output Regulation) :

   • Objectif : Conduire la sortie du système vers une valeur constante désirée $y^*$ en temps fini, pour tout modèle compatible.
   • Conditions : Les données sont informatives si :
     • Il existe au moins un cycle dans le graphe des transitions compatibles dont les nœuds produisent la sortie $y^*$.
     • L'ensemble de ces cycles est globalement atteignable.
   • Solution : L'Algorithme 4 identifie les cycles dans le sous-graphe des états générant $y^*$ (en utilisant l'algorithme de Johnson). La matrice $K$ est ensuite construite en choisissant les entrées qui maintiennent le système dans ces cycles ou le y amènent.

3. Contributions Clés

• Extension du cadre d'informativité : Adaptation et généralisation du cadre d'informativité aux BCN complets (incluant l'équation de sortie), permettant de traiter des problèmes de contrôle sans identification préalable du modèle.
• Conditions nécessaires et suffisantes : Établissement de conditions rigoureuses basées uniquement sur les données pour la solvabilité du contrôle sûr et de la régulation de sortie.
• Algorithmes constructifs : Développement d'algorithmes (1 à 4) qui ne se contentent pas de vérifier la solvabilité, mais qui construisent explicitement la matrice de retour d'état $K$ à partir des données brutes.
• Analyse de complexité : Démonstration que la complexité computationnelle reste polynomiale par rapport à la taille de l'espace d'état ($N=2^n$), similaire à l'approche basée sur le modèle, mais avec une charge potentiellement réduite car seules les transitions observées sont énumérées.

4. Résultats et Validation

Les résultats théoriques sont validés par des exemples numériques (Exemples 13 et 18) sur des réseaux de petite taille.

• Dans l'exemple de contrôle sûr, les auteurs montrent comment, à partir d'un ensemble de données partielles, on peut vérifier les conditions du théorème et synthétiser une loi de commande qui garantit la sécurité pour tous les modèles compatibles.
• Dans l'exemple de régulation de sortie, ils démontrent la capacité à identifier les cycles désirés et à construire un retour d'état qui assure la convergence vers la sortie cible $y^*$, même avec une incertitude sur le modèle.

5. Signification et Impact

Cet article comble un vide important dans la littérature sur le contrôle des réseaux logiques en passant d'une approche "modèle-dépendante" à une approche "pilotée par les données".

• Robustesse : La méthode garantit que la solution de contrôle fonctionne pour le système réel, même si le modèle exact est inconnu, tant que les données collectées sont suffisantes pour couvrir les transitions critiques.
• Applicabilité : Cela ouvre la voie à l'application de techniques de contrôle avancées sur des systèmes biologiques ou complexes où l'identification de modèle est trop coûteuse ou imprécise.
• Limites et Perspectives : Les auteurs notent que la méthode nécessite des données d'état (retour d'état). Une régulation par retour de sortie (ne utilisant que $u$ et $y$) est beaucoup plus difficile dans un cadre data-driven car elle repose sur des prédicteurs non déterministes, ce qui est mentionné comme une direction future ou une alternative moins robuste.

En résumé, ce travail fournit un cadre théorique solide et des outils algorithmiques pratiques pour contrôler des systèmes logiques complexes en l'absence de modèle précis, en garantissant la sécurité et la performance à travers l'exploitation rigoureuse de données limitées.