⚡ electrical engineering

$\partial$ CBDs: Differentiable Causal Block Diagrams

Ce papier introduit les $\partial$ CBDs (Differentiable Causal Block Diagrams), un nouveau formalisme unifiant la modularité des diagrammes de blocs causaux, la vérification par contrats et la programmation différentiable pour permettre l'apprentissage et l'optimisation de systèmes cyber-physiques tout en garantissant leur correction.

Auteurs originaux : Thomas Beckers, Ján Drgoňa, Truong X. Nghiem

Publié 2026-02-10

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Thomas Beckers, Ján Drgoňa, Truong X. Nghiem

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : Le "Triangle des Bermudes" de l'Ingénierie

Imaginez que vous construisiez une voiture autonome ultra-sophistiquée. Pour qu'elle fonctionne, vous avez besoin de trois choses qui, aujourd'hui, ont du mal à s'entendre :

Le Plan de Construction (La Modularité) : Vous voulez assembler des pièces (moteur, capteurs, freins) comme des LEGO. Si une pièce change, vous ne voulez pas devoir tout redessiner.
L'Intelligence (L'Apprentissage) : La voiture doit apprendre de ses erreurs en roulant, un peu comme un humain qui apprend à ne plus toucher un four chaud.
La Sécurité (La Vérification) : Vous devez avoir la certitude mathématique que, peu importe ce qui arrive, la voiture ne foncera pas dans un mur.

Le problème actuel ? C'est comme si vous aviez un chef cuisinier génial (l'IA), un architecte rigide (le plan de construction) et un inspecteur de sécurité très sévère (la vérification), mais qu'ils parlaient trois langues différentes et refusaient de travailler dans la même cuisine. L'IA fait des choses imprévisibles, l'architecte est trop rigide pour l'IA, et l'inspecteur ne comprend pas comment l'IA réfléchit.

La Solution : Les $\partial$ CBDs (Les "LEGO Intelligents et Certifiés")

Les chercheurs ont créé les $\partial$ CBDs (Differentiable Causal Block Diagrams). Pour comprendre, imaginez que nous transformons nos pièces de LEGO en "LEGO Magiques".

1. Des blocs qui se comprennent (La Modularité)

Comme des LEGO, vous pouvez emboîter un bloc "Capteur" avec un bloc "Moteur". C'est la structure classique des diagrammes de blocs. Tout est bien rangé, chaque pièce a sa place.

2. Des blocs qui "apprennent" par l'erreur (La Différentiabilité)

C'est ici que la magie opère. Dans un système classique, si la voiture dévie de sa trajectoire, le système sait qu'il a échoué, mais il ne sait pas comment corriger précisément chaque petit rouage pour s'améliorer.
Avec les $\partial$ CBDs, chaque bloc est "différentiable". C'est comme si, au lieu de dire simplement "C'est mauvais !", la voiture pouvait dire : "Si j'avais tourné le volant de 0,001 degré de plus vers la gauche il y a deux secondes, j'aurais évité l'obstacle". Cela permet à l'intelligence artificielle de s'entraîner de manière ultra-précise en suivant le chemin de l'erreur, comme un skieur qui ajuste l'angle de ses skis millimètre par millimètre.

3. Des blocs avec un "Contrat de Confiance" (Les Contrats)

C'est l'innovation majeure. Chaque bloc magique arrive avec un contrat écrit.

Le contrat dit : "Je promets que si tu me donnes une vitesse entre 0 et 50, je te garantis que je freinerai en moins de 2 secondes."
La nouveauté : Ce contrat n'est pas juste un papier posé sur le côté ; il est intégré dans le cerveau de l'IA.

Si l'IA essaie d'apprendre une conduite trop risquée pour gagner du temps, le "contrat" envoie un signal immédiat : "Stop ! Ce que tu essaies de faire viole ton contrat de sécurité !". L'IA est donc forcée d'apprendre tout en restant dans les limites de la sécurité.

En résumé : La métaphore du Chef de Cuisine

Avant : Vous aviez un chef (l'IA) qui improvisait des recettes incroyables mais parfois dangereuses, un livre de cuisine (le modèle) très rigide, et un critique gastronomique (la sécurité) qui arrivait seulement à la fin pour dire "C'est mauvais".
Avec les $\partial$ CBDs : Le chef utilise un livre de cuisine intelligent. Chaque ingrédient a une fiche de sécurité (le contrat). Si le chef essaie de mettre trop de piment, la casserole elle-même lui dit : "Attention, tu dépasses la limite de sécurité du plat !". Le chef peut donc improviser et s'améliorer, mais il est mathématiquement impossible qu'il serve un plat qui ne respecte pas les règles de base.

Pourquoi est-ce important ?

Cela permet de créer des systèmes (robots, voitures, drones, usines) qui sont à la fois extrêmement intelligents (capables d'apprendre de la donnée) et totalement fiables (car la sécurité est gravée dans les mathématiques mêmes de leur apprentissage).

Résumé Technique : $\partial$ CBDs (Diagrammes de Blocs Causaux Différentiables)

1. Problématique

La conception des systèmes cyber-physiques (CPS) modernes fait face à une tension tripartite entre trois objectifs souvent traités de manière isolée :

La compositionnalité : La capacité à modéliser des systèmes complexes en assemblant des composants modulaires (approche classique des diagrammes de blocs causaux - CBD).
L'apprentissage (Learnability) : La capacité à adapter les modèles et les contrôleurs à partir de données via l'optimisation par gradient (approche de la programmation différentiable - DP).
La vérifiabilité : La capacité à garantir la sécurité et la correction du système (approche par contrats de type Assume-Guarantee).

Les méthodes actuelles obligent les ingénieurs à choisir entre des modèles structurés mais difficiles à optimiser (CBD classiques) ou des outils d'apprentissage puissants mais dépourvus de garanties formelles (réseaux de neurones/DP).

2. Méthodologie

Les auteurs introduisent le formalisme $\partial$ CBD, qui unifie ces trois piliers en intégrant la programmation différentiable directement dans la structure compositionnelle des CBD. La méthodologie repose sur cinq couches d'abstraction :

Couche Structurelle : Définit le bloc comme l'unité fondamentale, incluant des variables d'entrée ( $U$ ), d'état ( $X$ ), de sortie ( $Y$ ), une sémantique temporelle ( $T$ ) et des fonctions de transition ( $F$ ).
Couche Sémantique : Définit les règles de composition (parallèle, série, feedback) qui permettent de transformer un diagramme complexe en un bloc équivalent "aplati".
Couche de Contrat : Introduit deux types de contrats :
- Contrats Assume-Guarantee (A–G) : Spécifications normatives pour le raisonnement formel sur la correction du système.
- Contrats basés sur les résidus (Residual-based) : Certificats quantitatifs et différentiables qui mesurent la satisfaction d'une propriété (ex: stabilité, passivité) le long d'une trajectoire.
Couche Différentiable : Garantit que chaque bloc (qu'il s'agisse d'un solveur d'EDO, d'une couche d'optimisation ou d'un réseau de neurones) est compatible avec la différenciation automatique (AD) via des produits Jacobien-vecteur (JVP) et Vecteur-Jacobien (VJP).
Couche d'Optimisation : Formule le problème de conception comme une optimisation contrainte où les contrats deviennent des pénalités ou des barrières différentiables dans la fonction de coût.

3. Contributions Clés

Extension différentiable des CBD : Un nouveau formalisme qui préserve la causalité et la modularité tout en permettant la propagation des gradients de bout en bout.
Intégration des contrats comme résidus : La transformation de spécifications de sécurité formelles en fonctions de coût lisses, permettant de guider l'apprentissage par la physique et les contraintes de sécurité.
Réduction en graphes acycliques (DAG) : Un algorithme de compilation qui transforme un CBD (incluant des boucles de rétroaction et des taux d'échantillonnage multiples) en un graphe exécutable par les moteurs de différenciation automatique modernes (PyTorch, JAX).

4. Résultats et Exemples

L'article valide l'approche à travers trois cas d'étude :

Réglage de gain par certificat de stabilité : Le système ajuste automatiquement un gain de contrôle pour assurer la stabilité d'un système linéaire sous perturbations, en utilisant un contrat de stabilité comme contrainte de projection.
Apprentissage conjoint d'une politique neuronale et d'un certificat de Lyapunov : Pour un oscillateur de Van der Pol non linéaire, le cadre apprend simultanément un contrôleur (réseau de neurones) et une fonction de Lyapunov (ICNN) qui certifie la stabilité de la trajectoire.
Apprentissage de l'opérateur de Koopman profond (Deep Koopman) : Le cadre permet d'identifier une représentation linéaire latente d'un système non linéaire tout en imposant contractuellement que le rayon spectral de l'opérateur reste inférieur à 1 (stabilité garantie par construction).

5. Signification et Impact

Le travail de Beckers et al. représente une avancée majeure pour l'ingénierie des CPS. En comblant le fossé entre la vérification formelle et l'apprentissage automatique, $\partial$ CBD offre une base rigoureuse pour :

Le développement d'IA agentique vérifiable (perception-planification-contrôle).
Le "Co-design" (conception conjointe) de la structure physique et des algorithmes de contrôle.
La création de systèmes hybrides où les composants de machine learning sont encadrés par des garanties de sécurité physiques et mathématiques.