Adaptive Stability-Constrained Neural Differential Equations for Controlled Dynamical Systems with Unknown Inputs

कल्पना कीजिए कि आप एक रोबोट को कुछ विशिष्ट सड़कों पर नेविगेट करना सिखाने के लिए उसे कार चलाना सिखा रहे हैं। आप उसे दिखाते हैं कि लाल बत्ती पर बाईं ओर कैसे मुड़ना है और एक सीधी सड़क पर गति कैसे बढ़ानी है। लेकिन क्या होता है जब आप उस रोबोट को वास्तविक दुनिया में भेजते हैं, जहाँ हवा उम्मीद से अधिक तेज चलती है, या ड्राइवर अचानक ब्रेक लगा देता है? आर्टिफिशियल इंटेलिजेंस की दुनिया में, यह "एक पैटर्न सीखने" और "एक नियम सीखने" के बीच का अंतर है। वैज्ञानिक 'न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशंस' (Neural ODEs) जैसे उपकरणों का उपयोग कंप्यूटर को यह सिखाने के लिए करते हैं कि चीजें समय के साथ कैसे चलती हैं, जैसे कि एक पेंडुलम का झूलना या एक मोटर का घूमना। ये मॉडल जो उन्होंने देखा है उसकी नकल करने में बहुत अच्छे हैं, लेकिन जब स्थिति थोड़ी बदल जाती है, तो वे अक्सर विफल हो जाते हैं। यदि रोबोट ने धूप वाले दिन गाड़ी चलाना सीखा है, तो वह बारिश वाले दिन दुर्घटनाग्रस्त हो सकता है क्योंकि उसने बारिश के कारण ट्रैक्शन (पकड़) पर पड़ने वाले प्रभाव के अंतर्निहित भौतिक विज्ञान को नहीं सीखा; उसने केवल धूप वाले दिन को याद किया था। इंजीनियरों के सामने बड़ा सवाल यह है: हम एक ऐसा लर्निंग सिस्टम कैसे बनाएं जो स्थिर और सुरक्षित रहे, भले ही इनपुट (जैसे हवा या ड्राइवर के कमांड) उन चीजों से अलग हों जिन पर उसने अभ्यास किया था?

यह पेपर ठीक इसी समस्या को हल करने के लिए एडैप्टिव स्टेबिलिटी-कंस्ट्रेंड न्यूरल डिफरेंशियल इक्वेशंस (AS-NDE) नामक एक नई विधि पेश करता है। इस मॉडल को एक ऐसे छात्र के रूप में सोचें जो खेल के नियम सीखने की कोशिश कर रहा है। आमतौर पर, छात्र केवल अगला कदम सही अनुमान लगाने की कोशिश करता है। यदि वे एक छोटी सी गलती करते हैं, तो वह गलती खेल के दौरान एक बड़ी आपदा में बदल सकती है। लेखक एक नया तरीका प्रस्तावित करते हैं जहाँ छात्र केवल चालें नहीं सीखता; वे एक विशेष "सुरक्षा मानचित्र" (जिसे रीमानियन मेट्रिक कहा जाता है) भी सीखते हैं जो वर्तमान स्थिति के आधार पर बदलता रहता है। यह मानचित्र एक रबर बैंड की तरह काम करता है जो छात्र के भविष्यवाणियों को वापस सही पथ की ओर खींचता है जब वे भटकने लगते हैं। महत्वपूर्ण बात यह है कि यह सुरक्षा मानचित्र स्थिर नहीं है; यह उपयोग किए जा रहे नियंत्रणों के आधार पर वास्तविक समय में अनुकूलित होता है, जैसे कि ड्राइवर फिसलन भरी सड़क पर स्टीयरिंग व्हील पर अपनी पकड़ को समायोजित करता है।

पेपर दिखाता है कि इस अनुकूलित मानचित्र का उपयोग करके, मॉडल यह गारंटी दे सकता है कि दो अलग-अलग पथ (जैसे दो कारें एक ही मार्ग पर चल रही हैं लेकिन उनके इनपुट में थोड़ा अंतर है) एक-दूसरे के करीब रहेंगे। लेखक ने गणितीय रूप से सिद्ध किया है कि इन पथों के बीच की दूरी समय के साथ तेजी से (exponentially) कम होती जाएगी, जब तक कि उनके इनपुट में बहुत बड़ा अंतर न हो। हालाँकि, एक बहुत ही महत्वपूर्ण शर्त है: इस पेपर के अंक और ग्राफ एक पूर्ण प्रयोग के वास्तविक परिणाम नहीं हैं। लेखक स्पष्ट रूप से कहते हैं कि यह एक "ड्राफ्ट" है जिसमें "इल्यूस्ट्रेटिव सिंथेटिक प्लेसहोल्डर्स" (प्रतीकात्मक स्थानधारक) का उपयोग किया गया है। उन्होंने सिद्धांत और इसे परीक्षण करने की विधि तो बना ली है, लेकिन उन्होंने अभी तक वास्तविक डेटा पर पूर्ण परीक्षण नहीं किए हैं। जो कर्व्स (वक्र) आप चित्रों में देख सकते हैं, वे केवल यह दिखाने के लिए स्टैंड-इन हैं कि परिणाम कैसे दिख सकते हैं।

इसे समझने के लिए, कल्पना करें कि आप एक पट्टे (लीश) पर एक कुत्ते को टहला रहे हैं। एक मानक AI मॉडल में, पट्टा एक कठोर छड़ी की तरह होता है। यदि कुत्ता (भविष्यवाणी) थोड़ा भटक जाता है, तो छड़ी उसे सुधारने के लिए पर्याप्त नहीं झुकती, और कुत्ता दूर निकल जाता है। AS-NDE मॉडल में, पट्टा एक स्मार्ट, खिंचाव वाला बंजी कॉर्ड है जो इस बात पर निर्भर करता है कि कुत्ता कितनी तेजी से दौड़ रहा है और हवा किस दिशा में चल रही है। "एडैप्टिव मेट्रिक" उस बंजी कॉर्ड का मस्तिष्क है। यह लगातार गणना करता है कि कुत्ते को करीब रखने के लिए कितने तनाव की आवश्यकता है। पेपर गणितीय रूप से सिद्ध करता है कि यदि आप इस स्मार्ट बंजी कॉर्ड का उपयोग करते हैं, तो कुत्ता आपके करीब रहेगा, भले ही आप दोनों को अचानक हवा के झोंके से टक्कर क्यों न लगे, बशर्ते हवा इतनी तेज न हो कि वह कॉर्ड की क्षमता से बाहर हो जाए।

लेखक ने अपने विचार का परीक्षण करने के लिए दो काल्पनिक परिदृश्यों का उपयोग किया। पहला "डफिंग ऑसिलेटर" (Duffing oscillator) था, जो एक ऐसे स्प्रिंग की तरह है जो जितना अधिक खींचा जाता है उतना ही सख्त होता जाता है—यह भौतिकी की एक क्लासिक समस्या है। दूसरा "परमानेंट-मैग्नेट सिंक्रोनस मोटर" (PMSM) था, जो उस प्रकार की इलेक्ट्रिक मोटर है जिसका उपयोग उच्च प्रदर्शन वाली इलेक्ट्रिक कारों और रोबोट में किया जाता है। अपने सिम्युलेटेड उदाहरणों में, नए AS-NDE पद्धति ने पुराने तरीकों की तुलना में बहुत कम त्रुटियां और कम "स्टेबिलिटी वायलेशन" (वे क्षण जहाँ सुरक्षा मानचित्र विफल हो गया) दिखाए। उदाहरण के लिए, उनके प्लेसहोल्डर डेटा में, नए तरीके की "वायलेशन रेट" केवल 2.0% थी, जबकि एक मानक तरीके की 61.0% थी। लेकिन याद रखें, ये केवल एक सिमुलेशन से प्राप्त संख्याएं हैं जो यह सिद्ध करने के लिए बनाई गई हैं कि अवधारणा कागज पर कैसे काम करती है।

पेपर बहुत सावधानी से यह बताता है कि वह क्या दावा नहीं कर रहा है। यह दावा नहीं करता है कि इसने दुनिया के हर भौतिक सिस्टम को नियंत्रित करने की समस्या को हल कर लिया है। यह दावा नहीं करता कि यह तरीका अभी वास्तविक हार्डवेयर पर पूरी तरह काम करता है। वास्तव में, लेखक ने कई "वैधता के खतरों" (threats to validity) को सूचीबद्ध किया है, यह चेतावनी देते हुए कि यदि सिमुलेशन बहुत अधिक आदर्श है, तो परिणाम वास्तविक दुनिया की तुलना में बेहतर दिख सकते हैं। वे इस बात पर जोर देते हैं कि उनके द्वारा बनाया गया "सुरक्षा प्रमाण पत्र" (safety certificate) मॉडल के व्यवहार के बारे में एक वादा है, न कि वास्तविक भौतिक मशीन के बारे में एक गारंटी, जब तक कि मॉडल को मशीन के साथ पूरी तरह से मेल खाने के लिए सिद्ध न किया जाए।

अंत में, यह पेपर एक ब्लूप्रिंट (खाका) है। यह एक ऐसा कठोर और पुनरुत्पादक तरीका तैयार करता है जिसके माध्यम से AI मॉडल को प्रशिक्षित किया जा सकता है और जो गणितीय रूप से स्थिर और अज्ञात बाधाओं के प्रति मजबूत होने की गारंटी देता है। यह डीप लर्निंग के लचीलेपन को कंट्रोल थ्योरी की सुरक्षा के साथ जोड़ता है। लेखक ने "रेसिपी" (गणित, प्रशिक्षण चरण और परीक्षण प्रोटोकॉल) और "नकली सामग्री" (सिंथेटिक डेटा) प्रदान की है ताकि यह दिखाया जा सके कि व्यंजन का स्वाद कैसा होना चाहिए। अगला कदम, जिसे वे स्पष्ट रूप से आवश्यक बताते हैं, वास्तव में उस भोजन को बनाना है: इन परीक्षणों को वास्तविक दुनिया के डेटा पर चलाना, प्लेसहोल्डर नंबरों को वास्तविक मापों से बदलना, और यह देखना कि क्या AS-NDE मॉडल वास्तव में किसी रोबोट या मोटर को अप्रत्याशित घटनाओं के दौरान सुरक्षित रख सकता है। तब तक, यह पेपर एक तकनीकी रूप से सुसंगत और आशाजनक शुरुआती बिंदु के रूप में खड़ा है, जो वास्तविक दुनिया के प्रयोगों के लिए तैयार है जो इसकी उपयोगिता को सिद्ध करेंगे।