⚡ electrical engineering

Learning Stable Controlled Dynamical Systems via Input-Contraction Neural Differential Models

यह शोध पत्र इनपुट-कॉन्ट्रैक्शन न्यूरल डिफरेंशियल मॉडल (ICNDM) को प्रस्तुत करता है, जो एक नवीन डीप लर्निंग फ्रेमवर्क है जो इनपुट-डिपेंडेंट कॉन्ट्रैक्शन रेगुलराइजेशन के माध्यम से वृद्धिशील चर घातांकीय अभिसरण (incremental exponential convergence) और संरचनात्मक सुदृढ़ता सुनिश्चित करते हुए, समय-परिवर्तनीय नियंत्रण इनपुट के साथ निरंतर-समय गतिशील प्रणालियों को सीखता है।

मूल लेखक: Syed Pouladi

प्रकाशित 2026-07-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Syed Pouladi

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

कल्पना कीजिए कि आप एक रोबोट को कार चलाना सिखाने की कोशिश कर रहे हैं। आप उसे कार के चलने के हजारों वीडियो दिखाते हैं और आप चाहते हैं कि रोबोट सड़क के नियमों को सीख ले ताकि वह भविष्य में कार कहाँ होगी, इसका अनुमान लगा सके।

वर्तमान में अधिकांश AI विधियाँ एक ऐसे छात्र की तरह हैं जो अगले कुछ सेकंड के लिए वीडियो को पूरी तरह से याद कर लेता है, लेकिन फिर कल्पना करने (hallucinating) लगता है। यदि आप रोबोट से पूछें कि कार का रास्ता 10 मिनट बाद कैसा होगा, तो वह अचानक यह तय कर सकता है कि कार छत पर चल रही है या गोल-गोल घूम रही है। ऐसा इसलिए होता है क्योंकि AI के पास अपनी भविष्यवाणियों को वास्तविकता से जोड़े रखने के लिए कोई अंतर्निहित "सुरक्षा नियम" नहीं है, खासकर जब ड्राइवर (कंट्रोल इनपुट) लगातार स्टीयरिंग व्हील को बदल रहा हो।

यह शोध पत्र एक नया AI फ्रेमवर्क पेश करता है जिसे ICNDM (इनपुट-कॉन्ट्रैक्शन न्यूरल डिफरेंशियल मॉडल) कहा जाता है ताकि इस समस्या को ठीक किया जा सके। यह कैसे काम करता है, यहाँ सरल उपमाओं के माध्यम से बताया गया है:

1. समस्या: "ड्रिफ्टिंग" भविष्यवाणी (The "Drifting" Prediction)

एक मानक AI मॉडल को कोहरे में रास्ता खोजने की कोशिश करने वाले एक हाइकर (हाइकर) के रूप में सोचें। यदि हाइकर एक गलत कदम उठाता है, तो शायद वह तुरंत ध्यान न दे। लेकिन यदि वह घंटों तक चलता रहता है (एक "लॉन्ग-होरिज़न" भविष्यवाणी), तो उसकी यह छोटी सी गलती बढ़ती जाती है। अंततः, वह वास्तविक पथ से मीलों दूर निकल जाता है। इंजीनियरिंग की भाषा में, इसे "एरर एक्युमुलेशन" (त्रुटि संचय) कहा जाता है, और यह AI को दीर्घकालिक योजना बनाने के लिए बेकार बना देता है।

2. समाधान: "मैग्नेटिक फनल" (The "Magnetic Funnel")

लेखकों का समाधान AI की सीखने की प्रक्रिया के चारों ओर एक "मैग्नेटिक फनल" (चुंबकीय कीप) बनाना है। वे कॉन्ट्रैक्शन थ्योरी (Contraction Theory) नामक एक गणितीय अवधारणा का उपयोग करते हैं।

कल्प_ना कीजिए कि AI दो अलग-अलग कारों के व्यवहार को सीख रहा है।

नए तरीके के बिना: यदि आप दो कारों को थोड़े अलग स्थानों से शुरू करते हैं, तो समय के साथ वे बेतहाशा अलग हो सकती हैं, भले ही उन्हें एक ही व्यक्ति द्वारा चलाया जा रहा हो।
ICNDM के साथ: AI को एक नियम सीखने के लिए मजबूर किया जाता है कि, "चाहे ये दो कारें कहीं से भी शुरू हों, उन्हें समय के साथ एक-दूसरे के करीब आना चाहिए।" यह कारों को एक विशाल, अदृश्य फनल में रखने जैसा है जो उनके रास्तों को एक साथ सिकोड़ देता है। भले ही ड्राइवर स्टीयरिंग व्हील को झटके से घुमाए (इनपुट बदले), फनल यह सुनिश्चित करता है कि कारें अलग न हों; वे वास्तविक पथ के करीब बनी रहें।

3. यह ड्राइवर (इनपुट) को कैसे संभालता है

अधिकांश पिछले "फनल" तरीके केवल तभी काम करते थे जब ड्राइवर स्थिर बैठा हो या सीधी रेखा में गाड़ी चला रहा हो। जब ड्राइवर स्टीयरिंग घुमाता या एक्सीलेटर दबाता था, तो वे विफल हो जाते थे।

ICNDM विशेष है क्योंकि इसमें एक विशेष अनुवादक ("इनपुट एनकोडर") है।

ड्राइवर के आदेशों (स्टीयरिंग, गैस) को एक अराजक, तेजी से बदलने वाली भाषा के रूप में सोचें।
ICNDM इस अराजक भाषा को मुख्य सीखने वाले मस्तिष्क (learning brain) को खिलाने से पहले एक सुचारू, संरचित प्रारूप में अनुवादित करता है।
यह अनुमति देता है कि "मैग्नेटिक फनल" तब भी काम करे जब ड्राइवर अचानक, जटिल हरकतें कर रहा हो। यह गारंटी देता है कि ड्राइवर कितनी भी उथल-पुथल करे, AI की भविष्यवाणियाँ स्थिर और सटीक बनी रहें।

4. प्रमाण: वास्तविक दुनिया के परीक्षण

लेखकों ने केवल कागज पर गणित नहीं किया; उन्होंने इसे दो बहुत अलग चुनौतियों पर परखा:

अराजक ऑसिलेटर्स (Chaotic Oscillators): ये गणितीय प्रणालियाँ हैं जो भविष्यवाणी करने में अत्यंत कठिन होती हैं, जैसे कि बेतहाशा झूलता हुआ 'डबल पेंडुलम'। ICNDM ने लंबे समय तक उनकी भविष्य की गतिविधियों का सटीक अनुमान लगाया, जबकि अन्य मॉडल जल्दी ही नियंत्रण खो बैठे।
एक वास्तविक इलेक्ट्रिक मोटर: उन्होंने एक भौतिक परमानेंट मैग्नेट सिंक्रोनस मोटर (PMSM) पर इसका परीक्षण किया, जिसका उपयोग इलेक्ट्रिक कारों और औद्योगिक रोबोटों में किया जाता है।
- परिणाम: जब उन्होंने AI से मोटर के व्यवहार की लंबे समय तक भविष्यवाणी करने के लिए कहा, तो मानक मॉडल अपने रास्ते से भटक गए। ICNDM वास्तविक व्यवहार से जुड़ा रहा, भले ही उन्होंने इनपुट संकेतों में "नॉइज़" (सेंसर त्रुटियों या झटकों का अनुकरण करने के लिए) जोड़ा हो।

सारांश

संक्षेप में, यह शोध पत्र AI को चलते हुए सिस्टम के भविष्य की भविष्यवाणी करना सिखाने का एक नया तरीका प्रस्तुत करता है। यह बदलते इनपुट के लिए एक "अनुवादक" को एक "सुरक्षा फनल" के साथ जोड़ता है जो भविष्यवाणियों को वास्तविकता के करीब रहने के लिए मजबूर करता है। परिणाम एक ऐसा AI है जो न केवल अगले सेकंड का सही अनुमान लगाता है, बल्कि विश्वसनीय रूप से भविष्यवाणी कर सकता है कि अराजक वातावरण में घंटों या दिनों तक क्या होने वाला है।

तकनीकी सारांश: इनपुट-कॉन्ट्रैक्शन न्यूरल डिफरेंशियल मॉडल्स के माध्यम से स्थिर नियंत्रित डायनेमिकल सिस्टम्स की लर्निंग

समस्या विवरण
यह शोध पत्र डेटा-संचालित सिस्टम आइडेंटिफिकेशन (system identification) में एक महत्वपूर्ण सीमा को संबोधित करता है: समय-परिवर्तनीय नियंत्रण इनपुट्स (time-varying control inputs) के अधीन गैर-स्वायत्त (non-autonomous) प्रणालियों को मॉडल करने में मौजूदा न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशंस (Neural ODEs) की संरचनात्मक स्थिरता (structural stability) सुनिश्चित करने में असमर्थता। जबकि Neural ODEs ने स्वायत्त वेक्टर फील्ड्स को सफलतापूर्वक पैरामीटराइज किया है, नियंत्रित प्रणालियों (जैसे कि Neural CDEs, ICODE) के लिए उनके विस्तार अक्सर बाहरी इनपुट्स को केवल ह्यूरिस्टिक (heuristic) तरीके से देखते हैं। फलस्वरूप, इन मॉडल्स में जेनेरिक, नॉन-वेनिशिंग (non-vanishing) इनपुट सीक्वेंस के तहत कठोर क्लोज्ड-लूप स्थिरता गारंटी का अभाव होता है। यह कमी त्रुटि संचय (error accumulation), स्टेट डायवर्जेंस (state divergence), और लंबे समय तक रोलआउट के दौरान बाहरी विक्षोभों (perturbations) के प्रति अत्यधिक संवेदनशीलता का कारण बनती है, जो इन्हें रोबोटिक्स और औद्योगिक नियंत्रण जैसे सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए अविश्वसनीय बनाती है।

कार्यप्रणाली: इनपुट-कॉन्ट्रैक्शन न्यूरल डिफरेंशियल मॉडल (ICNDM)
लेखक इनपुट-कॉन्ट्रैक्शन न्यूरल डिफरेंशियल मॉडल (ICNDM) का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जिसे नियंत्रित डायनेमिकल सिस्टम्स के निरंतर-समय निरूपण (continuous-time representations) को सीखने के लिए डिज़ाइन किया गया है, जबकि यह इंक्रीमेंटल एक्सपोनेंशियल कन्वर्जेंस (incremental exponential convergence) सुनिश्चित करता है। यह कार्यप्रणाली तीन मुख्य घटकों को एकीकृत करती है:

इनपुट-एम्बेडेड आर्किटेक्चर: मानक कॉनकेटेनेशन दृष्टिकोणों के विपरीत, ICNDM एक समर्पित न्यूरल इनपुट एनकोडर, $E_\phi(u)$ का उपयोग करता है, जो कच्चे नियंत्रण इनपुट्स को एक लेटेंट स्पेस में मैप करता है। यह उच्च-आवृत्ति वाले नियंत्रण संकेतों को स्टेट वेक्टर के साथ सीधे बीजगणितीय युग्मन (algebraic coupling) से अलग करता है, जिससे स्टिफ (stiff) ODE इंटीग्रेशन के दौरान ग्रेडिएंट वेरिएशंस स्थिर होते हैं।
संयुक्त न्यूरल मेट्रिक ऑप्टिमाइजेशन: यह फ्रेमवर्क एक गैर-स्वायत्त न्यूरल वेक्टर फील्ड, $f_\theta(x, E_\phi(u))$ और एक सामान्यीकृत रीमानियन कॉन्ट्रैक्शन मेट्रिक, $M_\omega(x)$ को एक साथ सीखता है। मेट्रिक यूनिफॉर्मली पॉजिटिव डेफिनिट बना रहे, यह सुनिश्चित करने के लिए लेखक एक लोकलाइज्ड चोलेस्की डिकम्पोजिशन ( $M_\omega(x) = L_\omega(x)L_\omega(x)^T + \epsilon I$ ) का उपयोग करके एक स्ट्रक्चरल कंस्ट्रेंट लागू करते हैं।
रेगुलराइज्ड ऑब्जेक्टिव फंक्शन: ट्रेनिंग ऑब्जेक्टिव एक मानक ट्राजेक्टरी प्रेडिक्शन लॉस और दो स्ट्रक्चरल रेगुलराइजर्स को जोड़ता है:
- एक सॉफ्ट-स्पेक्ट्रल बैरियर पेनल्टी ( $L_c$ ) जो कॉन्ट्रैक्शन कंडीशन $\Psi(x, u) \preceq -\beta M_\omega(x)$ को लागू करती है, जहाँ $\Psi$ स्टेट जैकोबियन और मेट्रिक के टाइम डेरिवेटिव वाला सामान्यीकृत गैर-स्वायत्त कॉन्ट्रैक्शन मैट्रिक्स है।
- इनपुट जैकोबियन पर एक फ्रोबिनियस नॉर्म रेगुलराइज़र ( $L_u$ ), जो उच्च-आवृत्ति वाले इनपुट वेरिएशंस के प्रति वेक्टर फील्ड की संवेदनशीलता को सीमित करता है।

सैद्धांतिक योगदान
यह शोध पत्र प्रस्तावित आर्किटेक्चर के लिए औपचारिक सैद्धांतिक गारंटी प्रदान करता है:

इंक्रीमेंटल एक्सपोनेंशियल कन्वर्जेंस: इस धारणा के तहत कि स्पेक्ट्रल कॉन्ट्रैक्शन लॉस को मिनिमाइज किया गया है, लेखक सिद्ध करते हैं कि एक ही इनपुट सीक्वेंस द्वारा संचालित कोई भी दो ट्राजेक्टरीज एक्सपोनेंशियल रूप से अभिसरित (converge) होती हैं, जिसमें एरर बाउंड $e^{-\beta t/2}$ के रूप में घटता है।
इनपुट-टू-स्टेट कॉन्ट्रैक्शन (ISC): लेखक बाउंडेड एक्सटर्नल डिस्टर्बेंस के तहत इनपुट-टू-स्टेट कॉन्ट्रैक्शन के लिए पर्याप्त स्थितियां व्युत्पन्न करते हैं। वे स्थापित करते हैं कि विभिन्न इनपुट्स द्वारा संचालित ट्राजेक्टरीज के बीच ट्रैकिंग मिसमैच, इनपुट अंतर और सिस्टम के लिप्सचिट्ज़ कांस्टेंट (Lipschitz constant) पर निर्भर एक टर्म द्वारा ग्लोबल रूप से बाउंडेड है, जो इनपुट विक्षोभों के प्रति मजबूती सुनिश्चित करता है।

प्रायोगिक परिणाम
ICNDM के प्रदर्शन का मूल्यांकन दो डोमेन में पांच अत्याधुनिक बेसलाइन्स (स्टैंडर्ड न्यूरल ODE, कंट्रोल्ड न्यूरल ODE, ICODE, कंट्रोलसिंथ, और डिफरेंशियल न्यूरल नेटवर्क्स) के विरुद्ध किया गया:

नॉनलीनर केओटिक बेंचमार्क्स: मल्टी-फ्रीक्वेंसी साइनुसोइडल इनपुट्स द्वारा संचालित डफिंग (Duffing) और वैन डेर पोल (Van der Pol) ऑसिलेटर्स पर परीक्षणों ने प्रदर्शित किया कि ICNDM लॉन्ग-होरिजन प्रेडिक्शन में बेसलाइन्स से काफी बेहतर प्रदर्शन करता है। जहाँ स्टैंडर्ड मॉडल्स ने पर्याप्त एरर संचय दिखाया (जैसे कि 200 स्टेप्स के बाद डफिंग ऑसिलेटर पर स्टैंडर्ड NODE के लिए MSE बढ़कर $1.89 \times 10^{-1}$ हो गया), वहीं ICNDM ने स्थिर बाउंड बनाए रखे (MSE $1.02 \times 10^{-3}$ )।
फिजिकल PMSM ड्राइव सिस्टम: पर्सिस्टेंट मैग्नेट सिंक्रोनस मोटर (PMSM) डेटासेट पर वैलिडेशन ने इसके व्यावहारिक उपयोग की पुष्टि की। क्वाड्रचर एक्सिस करंट के 500-स्टेप रोलआउट में, अनकन्स्ट्रेंड मॉडल्स ग्राउंड ट्रुथ से काफी विचलित हुए, जबकि ICNDM ने वास्तविक डायनेमिक्स को सटीक रूप से ट्रैक किया।
शोर (Noise) के प्रति मजबूती: इनपुट चैनल्स में गॉसियन नॉइज़ इंजेक्ट करने वाले प्रयोगों ने दिखाया कि ICNDM शोर के स्तर बढ़ने के साथ धीरे-धीरे डिग्रेड होता है, जबकि बेसलाइन मॉडल्स में तेजी से एरर ग्रोथ देखी गई। यह व्यवहार इसके 'इनपुट-टू-स्टेट कॉन्ट्रैक्शन' गुणों को अनुभवजन्य रूप से प्रमाणित करता है।

महत्व और दावे
यह शोध पत्र इनपुट-अवेयर मॉडलिंग और स्ट्रक्चरल स्टेबिलिटी प्रॉपर्टीज के बीच के अंतर को पाटने का दावा करता है। संयुक्त मेट्रिक ऑप्टिमाइजेशन के माध्यम से इनपुट-टू-स्टेट कॉन्ट्रैक्शन की गारंटी देते हुए समय-परिवर्तनीय नियंत्रण क्रियाओं को स्पष्ट रूप से मॉडल करके, ICNDM अनकन्स्ट्रेंड न्यूरल डिफरेंशियल इक्वेशंस में निहित अस्थिरता का समाधान प्रदान करता है। लेखक दावा करते हैं कि यह फ्रेमवर्क अत्यधिक नॉनलीनियर कंट्रोल्ड सिस्टम्स के लिए कठोर एसिम्प्टोटिक गारंटी प्रदान करता है, जो पहले केवल स्वायत्त फॉर्मुलेशन या स्थिर इनपुट्स मानकर सीमित था। यह कार्य ICNDM को डायनेमिक एनवायरनमेंट्स में सिस्टम आइडेंटिफिकेशन के लिए एक मजबूत टूल के रूप में स्थापित करता है, जिसका प्रदर्शन लॉन्ग-होरिजन ड्रिफ्ट को कम करने और इनपुट विक्षोभों के प्रति लचीलापन बढ़ाने में श्रेष्ठता सिद्ध हुआ है।

1. समस्या: "ड्रिफ्टिंग" भविष्यवाणी (The "Drifting" Prediction)

2. समाधान: "मैग्नेटिक फनल" (The "Magnetic Funnel")

3. यह ड्राइवर (इनपुट) को कैसे संभालता है

4. प्रमाण: वास्तविक दुनिया के परीक्षण

सारांश

इसी तरह के और पेपर