Safe and Robust Domains of Attraction for Discrete-Time Systems: A Set-Based Characterization and Certifiable Neural Network Estimation

Each language version is independently generated for its own context, not a direct translation.

Imaginez que vous conduisez une voiture autonome dans une ville très mouvementée. Il y a des nids-de-poule (les incertitudes), des piétons imprévisibles (les perturbations) et des zones interdites comme des rivières ou des chantiers (les contraintes de sécurité). Votre objectif est de savoir : "À partir de quelles positions de départ puis-je garantir que ma voiture arrivera à l'arrêt (le point stable) sans jamais sortir de la route ni tomber dans l'eau, peu importe comment les autres conducteurs ou le vent vont me pousser ?"

C'est exactement le problème que résout cet article scientifique. Voici une explication simple de leur méthode, avec quelques analogies pour rendre les choses claires.

1. Le Problème : La Carte de la "Zone de Sécurité"

Les ingénieurs appellent cela le Domaine d'Attraction (DOA). C'est la zone sur la carte où, si vous commencez votre trajet, vous êtes sûr d'arriver à destination en toute sécurité.

Le défi : Pour les systèmes simples, on peut dessiner cette zone avec des règles mathématiques fixes (comme des cercles ou des ellipses). Mais pour des systèmes complexes et imprévisibles (comme une voiture dans la ville), ces règles sont trop rigides. Elles dessinent une zone de sécurité trop petite, comme si vous disiez : "Vous ne pouvez conduire que dans un rayon de 10 mètres autour de chez vous", alors que vous pourriez aller beaucoup plus loin.
L'incertitude : Si on ne prend pas en compte les imprévus (le vent, les autres voitures), la zone calculée peut sembler grande, mais elle est dangereuse : une fois dehors, la voiture peut sortir de la route.

2. La Solution : Une "Carte de Chaleur" Intelligente

Au lieu de dessiner des formes rigides, les auteurs proposent de créer une carte de chaleur (une fonction mathématique) qui indique le "degré de danger" ou la "distance vers la sécurité" pour chaque point de la ville.

L'analogie du thermomètre : Imaginez que chaque point de la ville a un thermomètre.
- Au centre (là où la voiture est en sécurité et stable), le thermomètre indique 0°C.
- Plus on s'éloigne ou plus on s'approche des zones dangereuses (bords de route, obstacles), plus la température monte.
- Si la température devient infinie, c'est que vous êtes hors de la zone de sécurité.
La règle d'or (Équation de Bellman) : Les chercheurs ont découvert une règle mathématique précise qui relie la température d'un point à la température du point suivant où la voiture pourrait aller. C'est comme une règle de la chaîne : "Si je suis ici, et que je bouge, ma température future doit être plus basse que maintenant, sinon je suis en danger."

3. L'Intelligence Artificielle : L'Apprentissage de la Carte

Calculer cette carte de chaleur pour chaque point d'une ville entière est un cauchemar pour un ordinateur classique (trop de calculs). Alors, ils utilisent une Intelligence Artificielle (Réseau de Neurones).

L'élève et le professeur : Imaginez que le réseau de neurones est un élève qui doit apprendre à dessiner cette carte de chaleur.
L'entraînement physique : Au lieu de juste lui montrer des exemples, on lui donne la "règle d'or" (l'équation mathématique) comme devoir à la maison. À chaque fois qu'il fait une erreur dans son dessin, on lui dit : "Non, selon la règle physique, si tu es ici, la température future doit être plus basse."
Le résultat : L'IA apprend à dessiner une carte de chaleur très précise et flexible, qui épouse parfaitement les contours de la ville, même avec les obstacles et les imprévus.

4. Le Certificat de Sécurité : Le Contrôle Qualité

C'est ici que ça devient vraiment sûr. Une IA peut parfois "halluciner" ou faire des erreurs. Comment être sûr que la carte qu'elle a dessinée est vraie ?

Le vérificateur formel : Les auteurs ajoutent une étape finale où un "inspecteur rigoureux" (un outil de vérification mathématique) examine le travail de l'IA.
Le tampon officiel : L'inspecteur ne se contente pas de dire "ça a l'air bien". Il prouve mathématiquement, point par point, que pour chaque zone dessinée par l'IA, la voiture ne sortira jamais de la route, même avec le pire vent possible.
Le résultat final : On obtient une zone de sécurité "certifiée". C'est comme avoir un permis de conduire officiel qui garantit que vous pouvez rouler dans cette zone, peu importe les conditions.

En Résumé

Les chercheurs ont créé une méthode en trois étapes pour trouver la plus grande zone de sécurité possible pour des systèmes complexes :

Théorie : Ils ont inventé une nouvelle façon de mesurer la sécurité (la "carte de chaleur").
IA : Ils ont utilisé une intelligence artificielle pour apprendre à dessiner cette carte rapidement et précisément.
Vérification : Ils ont fait valider le dessin par un inspecteur mathématique pour garantir qu'il est 100% sûr.

Pourquoi c'est important ?
Cela permet de concevoir des robots, des voitures autonomes ou des avions qui peuvent fonctionner dans des environnements plus complexes et plus dangereux, tout en garantissant qu'ils ne tomberont jamais en panne ou ne sortiront pas de leur trajectoire. C'est passer d'une sécurité "par défaut" (très prudente et petite) à une sécurité "intelligente" (grande et fiable).

Each language version is independently generated for its own context, not a direct translation.

1. Problématique

L'article aborde le défi fondamental de l'analyse des systèmes dynamiques non linéaires discrets soumis à des incertitudes et des contraintes d'état. L'objectif est de caractériser et d'estimer le Domaine d'Attraction (DOA) sûr et robuste.

Définition du DOA sûr et robuste : C'est l'ensemble des états initiaux à partir desquels toutes les trajectoires du système convergent vers un ensemble invariant robuste (RIS) préconisé, tout en respectant strictement des contraintes d'état à chaque instant et pour toutes les réalisations possibles des incertitudes (perturbations).
Limites des approches existantes :
- Les méthodes basées sur des fonctions de Lyapunov classiques (quadratiques, dépendantes des paramètres) sont souvent conservatrices car elles reposent sur des modèles fixes qui ne capturent pas la géométrie complexe induite par les contraintes et les incertitudes.
- Les méthodes de vérification formelle ou d'optimisation (SOS) sont limitées aux systèmes polynomiaux ou souffrent de la « malédiction de la dimensionnalité » (méthodes basées sur des grilles).
- Les approches d'apprentissage automatique (réseaux de neurones) existantes peinent à garantir la validité des estimations sans vérification formelle coûteuse, et souvent, elles négligent les incertitudes lors de l'entraînement.

2. Méthodologie Proposée

Les auteurs proposent un cadre novateur intégrant trois composantes principales : une caractérisation théorique par des fonctions de valeur, une approximation par réseaux de neurones (NN) informés par la physique, et une procédure de vérification formelle.

A. Caractérisation Théorique par Fonctions de Valeur

Au lieu de travailler directement sur les points de l'espace d'état, les auteurs définissent des fonctions de valeur sur des espaces métriques d'ensembles compacts.

Stabilité $\ell_p$ uniforme : Le cadre repose sur une hypothèse de stabilité locale uniforme $\ell_p$ de l'ensemble invariant robuste (RIS), une notion générale englobant la stabilité exponentielle et polynomiale.
Fonctions de valeur $V$ et $W$ :
- $V(X)$ est définie comme la somme infinie d'un terme de coût $\Psi$ évalué sur les ensembles atteignables $R(X, k)$ à partir d'un ensemble initial $X$ .
- $W(X) = 1 - \exp(-V(X))$ est une transformation bornée de $V$ .
Équations de type Bellman (Zubov) : Les auteurs démontrent que ces fonctions satisfont des équations fonctionnelles de type Bellman :
- $V(X) = \Psi(X) + V(F(X))$
- $W(X) - W(F(X)) = \xi(X)(1 - W(F(X)))$
  où $F(X)$ représente l'image de l'ensemble $X$ sous la dynamique du système avec incertitudes.
Propriétés clés : Le domaine d'attraction sûr robuste est exactement l'ensemble des points $x$ tels que $V(\{x\}) < \infty$ (ou $W(\{x\}) < 1$ ). Ces fonctions sont prouvées être des fonctions de Lyapunov robustes uniques sous certaines conditions de limite.

B. Apprentissage par Réseaux de Neurones Informés par la Physique (PINN)

Pour approximer ces fonctions de valeur dans des espaces de grande dimension :

Embedding : Une hypothèse structurelle permet d'encoder les ensembles compacts (points et ensembles atteignables) dans un espace vectoriel de dimension finie via une application $T$ .
Architecture : Un réseau de neurones $\omega_{nn}$ est entraîné pour approximer la fonction $W(\{x\})$ .
Fonction de perte composite : L'entraînement minimise une perte combinant :
1. Perte de données ( $L_d$ ) : Écart entre la sortie du réseau et une approximation numérique de la fonction de valeur (calculée via des trajectoires simulées sur un horizon fini).
2. Perte informée par la physique ( $L_{pi}$ ) : Résidu de l'équation de Bellman. Le réseau est contraint de satisfaire l'équation fonctionnelle $W(X) - W(F(X)) = \xi(X)(1 - W(F(X)))$ directement pendant l'entraînement. Cela intègre la dynamique du système et les incertitudes dans le processus d'apprentissage.

C. Procédure de Vérification Certifiable

L'approximation par NN n'est pas suffisante pour garantir la sécurité. Une étape de vérification formelle est introduite :

Extension progressive : On part d'un petit ROA initial certifié (souvent une ellipsoïde).
Vérification des conditions : En utilisant des outils de vérification formelle (comme $\alpha,\beta$ -CROWN ou dReal), on vérifie que pour un niveau de seuil donné $\omega_2$ , l'ensemble de sous-niveau $\{x \mid \omega_{nn}(x) \le \omega_2\}$ est invariant et que la fonction décroît le long des trajectoires, tout en respectant les contraintes d'état.
Résultat : Cela permet d'obtenir une estimation du DOA qui est mathématiquement certifiée, garantissant la sécurité et la robustesse.

3. Contributions Clés

Nouvelle Caractérisation Théorique : Introduction de fonctions de valeur définies sur des espaces d'ensembles compacts pour caractériser exactement les DOA sûrs et robustes, sans hypothèses restrictives de Lipschitz local ou de bornitude stricte de l'ensemble sûr (contrairement aux travaux précédents).
Équations de Bellman pour Ensembles : Dérivation d'équations fonctionnelles de type Bellman/Zubov adaptées aux systèmes incertains et aux ensembles, permettant une formulation mathématique rigoureuse.
Cadre d'Apprentissage Hybride : Développement d'une méthode PINN qui encode directement les équations de Bellman dans la fonction de perte, assurant que le réseau apprend la structure dynamique sous-jacente plutôt que de simplement interpoler des données.
Certification Formelle : Intégration d'outils de vérification formelle de pointe pour transformer les approximations neuronales en garanties mathématiques de sécurité et de robustesse.
Généralité : La méthode s'applique à des systèmes non linéaires généraux (non polynomiaux), avec des ensembles d'incertitudes compacts et des contraintes d'état complexes.

4. Résultats Expérimentaux

Les auteurs ont validé leur approche sur quatre exemples numériques, incluant des systèmes non polynomiaux (ce qui exclut les méthodes SOS classiques) :

Exemples : Un système de puissance à deux machines perturbé, un système non linéaire avec stabilité polynomiale locale, une tige rigide avec gravité et couple saturé, et un système rationnel perturbé.
Comparaison :
- Contre les méthodes nominales : Lorsque les incertitudes sont prises en compte, les réseaux de neurones entraînés sur des dynamiques nominales (sans incertitude) échouent souvent à fournir des estimations certifiables. La méthode proposée, entraînée avec les incertitudes, fournit des estimations certifiées.
- Contre les ellipsoïdes optimisées : La méthode NN propose des domaines d'attraction significativement plus grands et moins conservateurs que les approximations ellipsoïdales classiques.
- Contre les méthodes SOS : La méthode fonctionne sur des systèmes non polynomiaux où les méthodes SOS ne sont pas applicables.
Performance : Bien que le calcul des ensembles atteignables pour l'entraînement soit coûteux, le temps d'entraînement et de vérification reste compétitif. La vérification formelle sur GPU permet de valider rapidement les grands ensembles estimés.

5. Signification et Impact

Ce travail représente une avancée significative dans le domaine du contrôle robuste et de la sécurité des systèmes dynamiques :

Rigueur Mathématique : Il comble le fossé entre les méthodes d'apprentissage automatique (flexibles mais souvent non garanties) et l'analyse formelle (rigoureuse mais difficilement applicable aux systèmes complexes).
Gestion des Incertitudes : En traitant explicitement les incertitudes via des ensembles atteignables et des équations de Bellman sur les ensembles, la méthode offre des garanties de robustesse réelles, essentielles pour les applications critiques (robotique, aérospatial, réseaux électriques).
Évolutivité : L'utilisation de réseaux de neurones permet d'aborder des problèmes de grande dimension, là où les méthodes de grille échouent.
Ouverture : La méthode ouvre la voie à l'application de l'apprentissage profond pour la synthèse de contrôleurs sûrs dans des environnements incertains et contraints, avec une certification formelle intégrée.

En résumé, l'article propose une méthodologie complète, de la théorie à la pratique, permettant d'estimer avec précision et certitude les domaines d'attraction de systèmes complexes, dépassant les limitations des approches traditionnelles.