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

本論文は、不確実性や状態制約を有する離散時間非線形システムに対し、新たな値関数に基づくドメイン・オブ・アトラクションの集合論的characterizationを確立し、これを物理情報ニューラルネットワークと形式検証を組み合わせて安全かつ頑健な推定を可能にする枠組みを提案するものである。

要約

🌪️ 物語：嵐の中で灯台を目指す船

想像してください。あなたが**「船長」だとしましょう。
あなたの船（システム）は、「灯台（安定した状態）」**を目指して進もうとしています。

しかし、海には**「嵐（外乱や不確実性）」が吹き荒れています。風向きや波の強さは予測できません。また、船が「岩礁（安全制約）」**にぶつかってはいけないというルールもあります。

ここで重要な質問が生まれます。
「今、船がどこにいて、どんな風が吹いていても、最終的に灯台に安全に到着できるのか？」

この「灯台に安全に到着できるスタート地点の範囲」を**「安全な引き寄せ領域（DOA）」**と呼びます。この範囲を知っていれば、船長は「ここから出発すれば大丈夫だ」と自信を持って航海できます。

🧩 従来の方法の限界

これまで、この「安全な範囲」を見つけるのは非常に難しかったです。

1. 地図が古すぎる（固定された Lyapunov 関数）：
   昔は、地図（数学的な関数）が「四角い」や「丸い」など、形が固定されていました。でも、実際の海（システム）の形は複雑で、岩礁の配置もバラバラです。固定された地図では、複雑な地形を正確に描けず、「安全な範囲」を過小評価してしまい、「実はもっと先まで進めても大丈夫なのに」という機会を逃していました。
2. 計算が重すぎる（グリッド法）：
   正確に描こうとすると、海を小さなマス目（グリッド）に分割して一つずつ調べる必要があり、計算量が膨大になり、現実的な時間で終わらないことがありました。

🚀 新しい方法：AI による「柔軟な地図」の作成

この論文の著者たちは、**「AI（ニューラルネットワーク）」**を使って、この問題を解決しました。

1. 物理法則を AI に教える（Physics-Informed）

ただの AI 学習ではなく、**「物理の法則（ベルマン方程式）」**を AI の勉強内容（損失関数）に直接組み込みました。

• 例え： 単に「過去の航海データ」を覚えるだけでなく、「風が吹けば船はこう動く」という物理のルールを AI に叩き込んでいます。これにより、AI は理屈に合わない嘘の地図を描くことがなくなります。

2. 「集合」で考える（Set-Based）

従来の AI は「点（ある特定の場所）」しか見ていませんでした。しかし、嵐の中では「ある点」だけでなく、「その点から風によって到達しうるすべての点の集まり（集合）」を見る必要があります。

• 例え： 船が「点」ではなく、「風で揺らぐ範囲（集合）」として扱われます。AI はこの「揺らぐ範囲」全体が安全かどうかを判断するように訓練されます。

3. 厳密なチェック（Formal Verification）

AI が「ここは安全だよ」と言っても、AI は間違える可能性があります。そこで、**「厳密な証明ツール」**を使って、AI が描いた地図が本当に安全かどうかを数学的にチェックします。

• 例え： AI が「このルートは安全です」と提案したら、**「厳格な検査官」**が「本当に、どんな嵐でも岩礁にぶつからないか？」を徹底的に検証します。これにより、「AI が言ったから」という曖昧さではなく、「数学的に証明された安全」が得られます。

🎯 この研究のすごいところ

1. どんな複雑なシステムでも対応可能：
   多項式（簡単な数式）で書けない複雑な機械や、時間とともに変化する不確実性（嵐の強さが変わるなど）にも対応できます。
2. 安全と頑丈さの両立：
   「安全（制約を守ること）」と「頑丈（どんな嵐でも安定すること）」の両方を同時に満たす範囲を、これまでより広く正確に見つけられます。
3. 実用性：
   電力システム、ロボット、自動運転車など、実際の複雑なシステムに適用できることを、4 つの例題で実証しました。

💡 まとめ

この論文は、**「AI に物理のルールを教え、厳密な検査官でチェックさせる」という新しいアプローチで、「どんな嵐が来ても、安全に目的地にたどり着けるスタート地点の範囲」**を、これまでになく正確に、かつ広く見つける方法を提案しました。

これにより、ロボットや自動運転車などが、予期せぬトラブル（嵐）に遭遇しても、安全に安定した状態へ戻れることを保証できるようになります。まるで、**「どんな天候でも、灯台へ向かうための絶対安全な航海図」**を AI が自動で描き、検査官が保証してくれるようなものです。

技術概要

論文要約：安全かつ頑健な離散時間システムの吸引領域（DOA）の推定：集合ベースの特性化と証明可能なニューラルネットワーク推定

1. 概要

本論文は、不確実性を持つ非線形離散時間システムの「安全かつ頑健な吸引領域（Safe and Robust Domains of Attraction: DOA）」の高精度な推定を目指す新しい枠組みを提案しています。従来の手法が抱える理論的・計算的な限界（特に状態制約や不確実性の存在下での厳密性不足）を克服し、価値関数（Value Functions）の集合ベースの特性化と、物理情報に基づくニューラルネットワーク（NN）学習、および形式的検証（Formal Verification）を統合した手法を開発しました。

2. 問題設定

• 対象システム: 離散時間、非線形、不確実性（外乱）を含むシステム。
  • 状態方程式: $x_{k+1} = f(x_k, w_k)$
  • 外乱 $w_k$ は既知のコンパクト集合 $W$ に属する。
• 目標: 指定された「頑健不変集合（Robust Invariant Set: RIS）」$A$ へ収束し、かつすべての時間ステップで与えられた安全な状態制約集合 $X$ を満たす初期状態の集合（安全かつ頑健な DOA）を推定すること。
• 既存手法の課題:
  • リアプノフ関数に基づく従来の手法は、固定されたテンプレート（二次形式など）に依存しており、制約や不確実性に対して保守的（過小評価）になりがち。
  • 数値解法（グリッドベース）は次元の呪いに陥りやすく、離散化誤差による形式的保証が困難。
  • 既存のニューラルネットワーク学習手法は、不確実性を明示的に考慮した学習や、学習結果の形式的な安全性保証に課題があった。

3. 提案手法の核心

3.1. 集合ベースの価値関数とベルマン型方程式

従来の点（状態）ベースの定義ではなく、コンパクト集合のメトリック空間上で定義された新しい価値関数を導入しました。

• 価値関数の定義:
  • $V(X) = \sum_{k=0}^{\infty} \Psi(R(X, k))$
  • $W(X) = 1 - \exp(-V(X))$
  • ここで、$R(X, k)$ は $k$ ステップ後の到達可能集合、$\Psi$ は集合 $X$ が安全集合 $X$ の境界や RIS $A$ からどれだけ離れているかを評価する関数です。
• 特性:
  • これらの関数は、安全かつ頑健な DOA を正確に記述します（$V(\{x\}) < \infty \iff x \in \text{DOA}$）。
  • ベルマン型（Zubov 型）関数方程式を満たすことが証明されました。
  • 一様 $\ell_p$ 安定性という一般的な安定性概念に基づいており、指数安定や多項式安定を含む広範なケースをカバーします。
  • 状態制約（安全集合の境界）を自然に扱えるよう、$\Psi$ 関数に境界で発散する項を含めることで、制約違反を価値関数の無限大として表現しています。

3.2. 物理情報に基づくニューラルネットワーク（PINN）学習

学習された NN が価値関数を近似し、DOA を推定するための枠組みを構築しました。

• 学習対象: 単一状態 $\{x\}$ に対する価値関数 $W(\{x\})$ を近似する NN $\omega_{nn}(x)$。
• 損失関数:
  1. データ駆動項: 有限時間近似された真の価値関数 $\tilde{W}_{N_s}$ と NN 出力の誤差。
  2. 物理情報項（Physics-Informed）: 導出したベルマン型方程式（$W(x) - W(F(x)) = \xi(x)(1 - W(F(x)))$）を直接損失関数に埋め込み、方程式の残差を最小化します。
• 集合埋め込み: 外乱を含むため $F(\{x\})$ は集合値となります。これを NN に入力可能にするため、集合を有限次元ベクトルに埋め込む変換 $T$ を導入しています（例：超矩形の場合は中心と半径）。

3.3. 証明可能な（Certifiable）DOA 推定と形式的検証

学習された NN は近似であるため、その出力から得られる DOA 推定値に数学的な保証を与えるための検証手順を提案しました。

• 検証プロセス:
  1. 初期の小さな安全 ROA（楕円体など）を設定。
  2. 形式的検証ツール（$\alpha,\beta$-CROWN や dReal など）を用いて、NN 出力のレベルセットが安全制約を満たし、かつ不確実性下でも RIS へ収束する（リアプノフ関数の減少条件を満たす）ことを検証。
  3. 検証可能な最大レベルセットまで領域を拡大し、証明可能な安全 ROA を取得。

4. 主要な貢献

1. 理論的枠組みの確立: 不確実性、状態制約、一般の RIS（平衡点に限らない）を扱える、集合ベースの価値関数とベルマン方程式の厳密な特性化。
2. 学習と検証の統合: 物理情報に基づく NN 学習と、最新の形式的検証ツールを組み合わせ、学習結果に「証明可能性（Certifiability）」を与えるハイブリッド手法の提案。
3. 仮定緩和: 既存手法が要求していた局所リプシッツ連続性などの厳しい仮定を緩和し、連続な右辺と開集合の安全性、$\ell_p$ 安定性のみを仮定することで、適用範囲を大幅に拡大。
4. 数値的有効性の実証: 非多項式系を含む 4 つの数値例（電力システム、剛体棒など）で、既存手法（最適化された楕円体、パラメータ依存リアプノフ関数、ノミナル NN）と比較し、特に不確実性を考慮した場合に、より大きく安全な DOA を推定できることを示しました。

5. 数値実験結果

• 比較対象: 最適化された楕円体 ROA、ノミナル（不確実性無視）で学習した NN、パラメータ依存リアプノフ関数。
• 結果:
  • 不確実性を考慮した場合（Scenario 2）: 提案手法は、他のすべての手法よりも証明可能な DOA が最大でした。
  • ノミナル NN は、不確実性を考慮すると証明に失敗するケース（保守的すぎるか、条件を満たさない）が多く見られました。
  • 楕円体近似は頑健性がありますが、非線形性の幾何学的構造を捉えきれず、DOA が過小評価される傾向がありました。
  • 計算コストは、到達可能集合の近似計算に時間がかかりますが、NN 学習や検証自体は現実的な時間で実行可能でした。

6. 意義と結論

本論文は、不確実な非線形システムの安全性保証において、「理論的な厳密性」と「学習による柔軟性」、そして**「形式的な証明」**を両立させた画期的なアプローチを示しました。

• 従来の保守的な近似手法を超え、より広範な初期状態からシステムを安全に制御できる領域を特定できます。
• 形式的検証ツールとの連携により、AI（ニューラルネットワーク）を用いた制御設計における「ブラックボックス」問題を解決し、安全性保証を可能にします。
• 将来的には、連続時間システムへの拡張や、より効率的な検証アルゴリズムの開発が期待されます。

この研究は、安全クリティカルなシステム（自律走行、ロボット、電力網など）における、不確実性下での信頼性の高い制御設計のための強力な基盤を提供するものです。