⚡ electrical engineering

Learning Robust Control Lyapunov Functions through Lipschitz Neural Networks

यह शोध पत्र एक नवीन ढांचे का प्रस्ताव करता है जो अवस्था-निर्भर योगात्मक विक्षोभों (state-dependent additive disturbances) के अधीन गैर-रेखीय प्रणालियों के लिए रोबस्ट्र कंट्रोल लयापुनोव फंक्शन्स और स्थिरकारी नियंत्रकों को संयुक्त रूप से सीखने के लिए स्पष्ट उच्च-क्रम अवकलज सीमाओं वाले लिप्सचिट्ज न्यूरल नेटवर्क और एक GPU-त्वरित ब्रांच-एंड-बाउंड एल्गोरिदम का लाभ उठाता है।

मूल लेखक: Shiqing Wei, Prashanth Krishnamurthy, Farshad Khorrami

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shiqing Wei, Prashanth Krishnamurthy, Farshad Khorrami

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी तस्वीर: एक रोबोट को तूफ़ान में भी सीधा खड़ा रहना सिखाना

कल्पना कीजिए कि आप एक रोबोट (जैसे कि बैलेंसिंग पोल या सेल्फ-ड्राइविंग कार) को यह सिखाने की कोशिश कर रहे हैं कि कैसे स्थिर रहा जाए। रोबोट को एक "नियम पुस्तिका" (rulebook) की आवश्यकता होती है ताकि उसे पता हो कि चीजें गलत होने पर कैसे प्रतिक्रिया देनी है। इंजीनियरिंग में, इस नियम पुस्तिका को ल्यपुनोव फंक्शन (Lyapunov function) कहा जाता है। इसे एक डिजिटल "ऊर्जा मानचित्र" (energy map) के रूप में सोचें। यदि रोबोट इस मानचित्र का पालन करता है, तो वह जानता है कि जब तक वह एक निश्चित दिशा में चलता है, वह गिरने के बजाय सुरक्षा (स्थिरता) के करीब पहुँच रहा है।

हालाँकि, वास्तविक जीवन अव्यवस्थित होता है। रोबोट को अप्रत्याशित हवा, फिसलन भरे फर्श या टूटे हुए पुर्जों का सामना करना पड़ सकता है। ये विक्षोभ (disturbances) हैं। इन नियम पुस्तिकाओं को बनाने के पुराने तरीके यह मानकर चलते हैं कि दुनिया आदर्श और अनुमानित है। यदि अचानक हवा का एक झोंका आता है, तो वे पुरानी नियम पुस्तिकाएं विफल हो सकती हैं, और रोबोट क्रैश हो सकता है।

यह पेपर रोबोट्स को यह सिखाने का एक नया, अधिक मजबूत तरीका पेश करता है कि अराजक दुनिया में भी कैसे स्थिर रहा जाए।

समस्या: "परफेक्ट वर्ल्ड" का जाल

द दशकों से, इंजीनियर गणित का उपयोग यह सिद्ध करने के लिए करते रहे हैं कि एक रोबोट सुरक्षित है। लेकिन जब वे इन सुरक्षा मानचित्रों को बनाने के लिए न्यूरल नेटवर्क्स (डेटा से सीखने वाले कंप्यूटर मस्तिष्क) का उपयोग करते हैं, तो एक नई समस्या उत्पन्न होती है: सत्यापन (Verification)।

क्योंकि कंप्यूटर मस्तिष्क बहुत जटिल और नॉन-लीनियर (यह सीधी रेखा का पालन नहीं करता) होता है, इसलिए गणितीय रूप से यह सिद्ध करना अविश्वसनीय रूप से कठिन है कि वह कभी गलती नहीं करेगा। यह एक भूलभुलैया के हर रास्ते पर चलकर यह सिद्ध करने जैसा है कि उसमें कोई डेड एंड (बंद रास्ता) नहीं है। यदि आप इसे सिद्ध नहीं कर सकते, तो आप अपने जीवन के लिए रोबोट पर भरोसा नहीं कर सकते।

समाधान: "लिप्सचिट्ज़" (Lipschitz) बाधा

लेखक एक विशेष प्रकार के न्यूरल नेटवर्क का उपयोग करने का प्रस्ताव देते हैं जिसे लिप्सचिट्ज़ न्यूरल नेटवर्क (LNN) कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक धुंधले जंगल में चल रहे हैं।

मानक न्यूरल नेटवर्क (Standard Neural Networks) उन हाइकर्स की तरह हैं जो अचानक टेलीपोर्ट हो सकते हैं या एक पल में 100 फीट कूद सकते हैं। यह अनुमान लगाना कठिन है कि वे अगले क्षण कहाँ होंगे।
लिप्सचिट्ज़ न्यूरल नेटवर्क (Lipschitz Neural Networks) उन हाइकर्स की तरह हैं जिन्हें एक विशिष्ट गति सीमा से तेज़ चलने से सख्ती से रोका गया है। इलाके में चाहे कितना भी बदलाव आए, वे प्रत्येक कदम के लिए केवल एक निश्चित दूरी ही तय कर सकते हैं।

कंप्यूटर मस्तिष्क को इस "गति सीमा" (गणितीय रूप से जिसे लिप्सचिट्ज़ कांस्टेंट कहा जाता है) का पालन करने के लिए मजबूर करके, लेखक यह गणना कर सकते हैं कि इनपुट के आधार पर आउटपुट में कितना परिवर्तन हो सकता है। यह नेटवर्क को इतना पूर्वानुमानित बनाता है कि इसे सत्यापित किया जा सके।

नवाचार: मानचित्र की "वक्रता" (Curvature) को देखना

इस पेपर की सबसे बड़ी सफलता यह है कि वे सुरक्षा मानचित्र की जांच कैसे करते हैं।

पिछले अधिकांश तरीकों ने केवल जीरो-ऑर्डर (zeroth-order) जानकारी (केवल जमीन की ऊंचाई देखना) या फर्स्ट-ऑर्डर (first-order) जानकारी (ढलान देखना) का उपयोग करके मानचित्र की जांच की।

पुराना तरीका: कल्पना कीजिए कि आप एक बिंदु और तत्काल ढलान को देखकर एक पहाड़ी के आकार का अनुमान लगाने की कोशिश कर रहे हैं। यदि पहाड़ी तेजी से मुड़ती है, तो आप गलत अनुमान लगा सकते हैं। इससे "कंजर्वेटिव" (रूढ़िवादी) परिणाम मिलते हैं—यानी कंप्यूटर कहता है, "मैं 100% सुनिश्चित नहीं हो सकता कि यह सुरक्षित है," भले ही वास्तव में वह सुरक्षित हो। यह अत्यधिक सतर्कता है।
नया तरीका: लेखकों ने हेसियन (Hessian) (ढलान कैसे मुड़ रही है) और यहाँ तक कि थर्ड-ऑर्डर डेरिवेटिव्स (वक्रता कैसे बदल रही है) को देखने का एक तरीका विकसित किया है।
- उपमा: केवल ढलान को देखने के बजाय, वे पूरी पहाड़ी के वक्र (curve) को मैप करने के लिए एक हाई-टेक ड्रोन का उपयोग कर रहे हैं। वे जानते हैं कि जमीन ठीक कैसे मुड़ती है। यह उन्हें "सेफ ज़ोन" के चारों ओर बहुत सटीक और कड़े घेरे बनाने की अनुमति देता है।

इंजन: एक GPU-संचालित "खोज और विनाश" (Search and Destroy)

इन जटिल मानचित्रों को सत्यापित करने के लिए, लेखकों ने एक ब्रांच-एंड-बाउंड (BnB) एल्गोरिदम बनाया है।

उपमा: कल्पना कीजिए कि आप एक विशाल, अंधेरे गोदाम में खोए हुए सिक्के की तलाश कर रहे हैं।

पुराना तरीका (CPU-आधारित): आप हर एक गलियारे में धीरे-धीरे चलते हैं, फर्श के हर इंच की जांच करते हैं। इसमें बहुत समय लगता है।
नया तरीका (GPU-आधारित): आपके पास खोजकर्ताओं की एक टीम है (जो एक शक्तिशाली ग्राफिक्स कार्ड, या GPU पर चलती है) जो गोदाम को बड़े हिस्सों में विभाजित कर सकती है।
1. वे एक हिस्से को देखते हैं।
2. अपने "वक्रता मानचित्रों" (Hessian bounds) का उपयोग करते हुए, वे महसूस करते हैं, "अरे, यह पूरा हिस्सा इतना ऊँचा है कि इसमें सिक्का होने की संभावना ही नहीं है। हम इसे अनदेखा कर सकते हैं!"
3. वे तुरंत उस हिस्से को खोज से बाहर कर देते हैं।
4. वे केवल उन छोटे, आशाजनक क्षेत्रों में गहराई से उतरते हैं।

क्योंकि वे उच्च-क्रम के गणित (वक्रता) का उपयोग करते हैं, वे तुरंत बड़े हिस्सों को हटा सकते हैं। यह सत्यापन प्रक्रिया को पिछले तरीकों की तुलना में एक्सपोनेंशियल रूप से तेज़ बनाता है।

परिणाम: उन्होंने क्या सिद्ध किया?

टीम ने छह अलग-अलग "रोबोट्स" पर इसका परीक्षण किया, जिनमें शामिल हैं:

एक इनवर्टेड पेंडुलम (एक कार्ट पर संतुलित छड़ी)।
एक यूनिसाइकिल।
एक कार्टपोल।
एक 2D क्वाडकॉप्टर (ड्रोन)।
एक रोबोटिक आर्म (SCARA)।

निष्कर्ष:

मजबूती (Robustness): उनके तरीके ने सफलतापूर्वक ऐसे सुरक्षा मानचित्र बनाए जो तब भी काम करते हैं जब रोबोट को "विक्षोभ" (सिम्युलेटेड हवा या शोर) का सामना करना पड़ता है।
गति (Speed): उनका नया सत्यापन एल्गोरिदम वर्तमान उद्योग मानकों (जैसे dReal या $\alpha,\beta$ -CROWN) की तुलना में काफी तेज़ था। कुछ मामलों में, पुराने तरीकों को घंटों लग गए या मेमोरी खत्म हो गई, जबकि उनके तरीके ने सेकंडों में काम पूरा कर लिया।
सुरक्षा (Safety): उन्होंने गणितीय रूप से सिद्ध किया कि उनके द्वारा सीखे गए कंट्रोलर्स रोबोट्स को एक विशिष्ट "सेफ ज़ोन" के भीतर स्थिर रखते हैं, भले ही दुनिया उन्हें बाहर धकेलने की कोशिश करे।

सारांश

यह पेपर कंप्यूटर को रोबोट के लिए अटूट सुरक्षा नियम बनाना सिखाने के बारे में है। उन्होंने यह किया:

कंप्यूटर मस्तिष्क को एक अनुमानित "गति सीमा" (Lipschitz) के भीतर रहने के लिए प्रतिबंधित करके।
सुरक्षा मानचित्र की ढलान के बजाय उसकी "वक्रता" को समझने के लिए उन्नत गणित का उपयोग करके।
एक सुपर-फास्ट, पैरेलल सर्च इंजन (GPU पर) का उपयोग करके यह सिद्ध करने के लिए कि मानचित्र सुरक्षित है, जिससे असंभव क्षेत्रों को तुरंत हटाया जा सके।

परिणामस्वरूप, एक ऐसा सिस्टम मिलता है जो जटिल मशीनों को नियंत्रित करना सीख सकता है और गणितीय रूप से गारंटी दे सकता है कि वे क्रैश नहीं होंगे, भले ही वातावरण अव्यवस्थित और अप्रत्याशित हो।

तकनीकी सारांश: लिप्सचिट्ज़ न्यूरल नेटवर्क के माध्यम से रोबस्ट कंट्रोल ल्यापुनोव फंक्शन्स को सीखना

समस्या विवरण
यह शोध पत्र योज्य विक्षोभों (additive disturbances) के अधीन गैर-रेखीय गतिक प्रणालियों (nonlinear dynamical systems) के लिए स्थिर नियंत्रकों (stabilizing controllers) को डिजाइन करने की चुनौती को संबोधित करता है। जबकि ल्यापुनोव फलन (Lyapunov functions) स्थिरता विश्लेषण के लिए एक आधारभूत उपकरण हैं, सामान्य गैर-रेखीय प्रणालियों के लिए उनका स्वचालित निर्माण एक खुला प्रश्न बना हुआ है। मौजूदा कम्प्यूटेशनल विधियाँ, जैसे कि सम-ऑफ-स्क्वायर्स (Sum-of-Squares - SOS) या लीनियर मैट्रिक्स इनइक्वेलिटीज़ (LMI), अक्सर स्केलेबिलिटी या व्यापकता के मामले में संघर्ष करती हैं। इसके अलावा, कंट्रोल ल्यापुनोव फंक्शन्स (CLFs) को न्यूरल नेटवर्क का उपयोग करके सीखने वाले हालिया डीप लर्निंग दृष्टिकोण आमतौर पर बिना विक्षोभ के सटीक गतिकी (exact dynamics) पर ध्यान केंद्रित करते हैं या ऐसी सत्यापन विधियों पर निर्भर करते हैं जो कम्प्यूटेशनल रूप से महंगी और रूढ़िवादी (conservative) होती हैं (जैसे कि केवल zeroth-order जानकारी का उपयोग करना)। यहाँ संबोधित विशिष्ट चुनौती एक रोबस्ट कंट्रोल ल्यापुनोव फंक्शन (RCLF) और एक संगत स्टेट-फीडबैक कंट्रोलर को सीखना है, जो स्टेट-डिपेंडेंट योज्य विक्षोभों की उपस्थिति में यूनिफॉर्म अल्टीमेट बाउंडेडनेस (UUB) की गारंटी देता है, और साथ ही यह सुनिश्चित करता है कि इन शर्तों का सत्यापन कम्प्यूटेशनल रूप से सुलभ (tractable) हो।

कार्यप्रणाली
प्रस्तावित ढांचा लिप्सचिट्ज़ न्यूरल नेटवर्क (LNNs) को एक उच्च-क्रम ब्रांच-एंड-बाउंड (BnB) सत्यापन एल्गोरिदम के साथ एकीकृत करता है।

लिप्सचिट्ज़ न्यूरल नेटवर्क (LNNs): लेखक RCLF ( $V_{\theta_1}$ ) और स्टेबलाइजिंग कंट्रोलर ( $\pi_{\theta_2}$ ) को संयुक्त रूप से सीखने के लिए LNNs का उपयोग करते हैं। मानक नेटवर्क के विपरीत, LNNs विशिष्ट लेयर पैरामीटराइजेशन (जैसे कि स्पेक्ट्रल नॉर्मलाइजेशन, ऑर्थोगोनल लेयर्स, या सैंडविच लेयर्स) के माध्यम से एक पूर्व-निर्धारित लिप्सचिट्ज़ स्थिरांक (Lipschitz constant) लागू करते हैं। यह बाधा महत्वपूर्ण है क्योंकि यह नेटवर्क आउटपुट के अपने इनपुट के सापेक्ष उच्च-क्रम डेरिवेटिव्स (हेसियन और तृतीय-क्रम डेरिवेटिव्स) के लिए स्पष्ट, टाइट बाउंड्स (bounds) प्राप्त करने की अनुमति देती है। संतुलन स्थिति $V(0)=0$ सुनिश्चित करने के लिए RCLF को एक शिफ्टेड नेटवर्क आउटपुट के रूप में परिभाषित किया गया है।
प्रशिक्षण एल्गोरिदम: प्रशिक्षण प्रक्रिया एक सैंपल्ड स्टेट स्पेस और बाउंड्री पर एक मिश्रित लॉस फंक्शन (composite loss function) को कम करती है। लॉस टर्म्स निम्नलिखित को लागू करते हैं:
- पॉजिटिव डेफिनिटनेस (Positive Definiteness): यह सुनिश्चित करना कि $x \neq 0$ के लिए $V(x) > 0$ हो।
- डिक्रीज कंडीशन (Decrease Condition): यह सुनिश्चित करना कि मूल बिंदु (origin) के आसपास एक छोटे गोले के बाहर $\dot{V}$ ऋणात्मक हो, जिसमें विक्षोभ (disturbance) के मामले को शामिल किया गया हो। इसमें नेटवर्क और सिस्टम डायनेमिक्स के लिप्सचिट्ज़ स्थिरांकों का उपयोग करके विक्षोभ टर्म को अपर-बाउंड (upper-bound) करना शामिल है।
- बाउंड्री और कवरेज: $V$ के सबलेवल सेट को स्टेट स्पेस के अधिकतम हिस्से को कवर करने के लिए प्रोत्साहित करना और बाउंड्री पर एक सुसंगत मान बनाए रखना।
  एल्गोरिदम मापदंडों को लीनियर क्वाड्रेटिक रेगुलर (LQR) समाधानों का उपयोग करके इनिशियलाइज़ करता है और उन्हें पुनरावृत्ति (iteratively) से परिष्कृत करता है, उन मापदंडों को संग्रहीत करता है जो सबसे बड़े अनुभवजन्य रूप से सत्यापित फॉरवर्ड-इनवेरिएंट क्षेत्र (forward-invariant region) प्रदान करते हैं।
उच्च-क्रम सत्यापन (Branch-and-Bound): एक नया GPU-फ्रेंडली BnB एल्गोरिदम सीखे गए RCLF को औपचारिक रूप से सत्यापित करने के लिए पेश किया गया है। पारंपरिक सॉल्वर (जैसे dReal) जो zeroth-order बाउंड्स पर निर्भर करते हैं या SMT सॉल्वर जो स्केलेबिलिटी सीमाओं का सामना करते हैं, के विपरीत, यह विधि LNNs की स्मूथनेस का लाभ उठाती है।
- उच्च-क्रम बाउंड्स (Higher-Order Bounds): लेखक LNNs के हेसियन और तृतीय-क्रम डेरिवेटिव्स के लिए स्पष्ट स्पेक्ट्रल नॉर्म बाउंड्स स्थापित करते हैं। ये बाउंड्स टेलर एक्सपेंशन (द्वितीय-क्रम तक) के माध्यम से नेटवर्क आउटपुट पर टाइट लोअर और अपर बाउंड बनाने के लिए उपयोग किए जाते हैं।
- एल्गोरिदम दक्षता: प्रथम और द्वितीय-क्रम की जानकारी को शामिल करके, एल्गोरिदम फंक्शन वैल्यूज के काफी टाइट एनक्लोजर (enclosures) बनाता है। यह zeroth-order विधियों की तुलना में सर्च रेक्टेंगल के भीतर फंक्शन वैल्यूज के अधिक आक्रामक प्रूनिंग (pruning) की अनुमति देता है।
- जटिलता (Complexity): पेपर में वर्स्ट-केस टाइम कॉम्प्लेक्सिटी बाउंड्स स्थापित किए गए हैं, जो दिखाते हैं कि मूल्यांकित रेक्टेंगल की संख्या सिस्टम डायमेंशन के साथ बहुपद (polynomially) रूप से स्केल करती है और टॉलरेंस के व्युत्क्रमानुपाती (inversely) होती है, लेकिन व्यवहार में टाइट बाउंड्स द्वारा इसे काफी कम कर दिया जाता है।

प्रमुख योगदान

नया ढांचा: गैर-रेखीय प्रणालियों के लिए, जिनमें योज्य, स्टेट-डिपेंडेंट विक्षोभ होते हैं, रोबस्ट CLFs और स्टेबलाइजिंग कंट्रोलर्स को सीखने के लिए एक एकीकृत दृष्टिकोण।
डेरिवेटिव बाउंड्स: LNNs के हेसियन और तृतीय-क्रम डेरिवेटिव्स के लिए स्पष्ट स्पेक्ट्रल नॉर्म बाउंड्स की स्थापना। ये बाउंड्स zeroth- या प्रथम-क्रम की जानकारी से प्राप्त बाउंड्स की तुलना में अधिक टाइट हैं, जो ल्यापुनोव सत्यापन की नॉन-कॉन्वेक्सिटी को संबोधित करते हैं।
GPU-फ्रेंडली सत्यापन: एक BnB एल्गोरिदम का विकास जो इन उच्च-क्रम बाउंड्स का उपयोग करता है और GPU पर बैच इवैल्यूएशन का समर्थन करता है। यह सत्यापन प्रक्रिया को CPU-आधारित SMT सॉल्वर्स की तुलना में काफी तेज बनाता है।
अनुभवजन्य सत्यापन (Empirical Validation): छह डायनेमिकल सिस्टम्स (इनवर्टेड पेंडुलम, यूनिसाइकिल, थर्ड-ऑर्डर सिस्टम, कार्टपोल, 2D क्वाडरोटर, और SCARA आर्म) पर विस्तृत सिमुलेशन, जो मौजूदा टूल्स (dReal, $\alpha,\beta$ -CROWN) की तुलना में गति और स्केलेबिलिटी के मामले में इस पद्धति की क्षमता को प्रदर्शित करते हैं।

परिणाम
पेपर dReal (CPU-आधारित SMT) और $\alpha,\beta$ -CROWN (GPU-आधारित बाउंड प्रोपेगेशन) के विरुद्ध प्रस्तावित पद्धति की तुलना करते हुए सिमुलेशन परिणाम प्रस्तुत करता है।

सत्यापन गति (Verification Speed): प्रस्तावित GPU-आधारित BnB एल्गोरिदम dReal की तुलना में लगातार बेहतर प्रदर्शन करता है, जो अक्सर उच्च स्टेट डायमेंशन (जैसे SCARA आर्म के लिए $n_x=8$ ) वाले सिस्टमों के लिए भी सत्यापन समय को घंटों (या टाइमआउट) से घटाकर सेकंडों में बदल देता है।
स्केलेबिलिटी: जहाँ dReal एक उचित समय के भीतर 2-3 लेयर्स वाले सिस्टमों को सत्यापित करने में विफल रहता है, प्रस्तावित पद्धति 4 लेयर्स तक के नेटवर्क को सफलतापूर्वक सत्यापित करती है।
फॉरवर्ड इनवेरिएंट क्षेत्र: सीखे गए कंट्रोलर्स मानक LQR और नॉन-रोबस्ट न्यूरल CLF (NLC) दृष्टिकोणों की तुलना में काफी बड़े फॉरवर्ड-इनवेरिएंट क्षेत्र प्राप्त करते हैं। इनवर्टेड पेंडुलम के लिए, प्रस्तावित पद्धति ने ~75% का फॉरवर्ड-इनवेरिएंट रीजन रेश्यो प्राप्त किया, जबकि LQR के लिए यह ~23% था।
रोबस्टनेस: सत्यापन पुष्टि करता है कि सीखे गए कंट्रोलर्स UUB स्थिति को संतुष्ट करते हैं, जिससे विक्षोभों की उपस्थिति के बावजूद प्रक्षेपवक्र (trajectories) एक सीमित क्षेत्र के भीतर रहते हैं।

महत्व और दावे
पेपर का दावा है कि इसका प्राथमिक महत्व डीप लर्निंग की अभिव्यंजना शक्ति (expressivity) और रोबस्ट कंट्रोल वेरिफिकेशन की कठोर आवश्यकताओं के बीच के अंतर को पाटने में निहित है। LNNs की विशिष्ट संरचना का उपयोग करके उच्च-क्रम डेरिवेटिव बाउंड्स प्राप्त करके, लेखक एक ऐसी सत्यापन प्रक्रिया को सक्षम बनाते हैं जो गणितीय रूप से कठोर और कम्प्यूटेशनल रूप से कुशल दोनों है।

लेखक स्पष्ट रूप से कहते हैं कि उनका ढांचा किसी अज्ञात मॉडल के लिए स्थिरता को प्रमाणित नहीं करता है जिसके लिए ज्ञात एरर बाउंड न हो; बल्कि, यह एक प्रमाणित मॉडल मिसमैच या बाउंडेड विक्षोभ के विरुद्ध रोबस्टनेस का एक नियतात्मक (deterministic) आश्वासन प्रदान करता है। यह कार्य इस बात पर प्रकाश डालता है कि जबकि अनकस्ट्रेंड (unconstrained) नेटवर्क्स की तुलना में LNNs की अभिव्यंजना शक्ति कम हो सकती है, यह ट्रेड-ऑफ उच्च-क्रम सत्यापन करने की क्षमता द्वारा न्यायसंगत है, जो सुरक्षा-महत्वपूर्ण नियंत्रण अनुप्रयोगों के लिए आवश्यक है। पेपर निष्कर्ष निकालता है कि यह दृष्टिकोण जटिल गैर-रेखीय प्रणालियों के लिए रोबस्ट, सीखे गए कंट्रोलर्स के औपचारिक सत्यापन को व्यावहारिक रूप से संभव बनाता है।