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

이 논문은 불확실성과 상태 제약을 가진 이산시간 비선형 시스템에 대해 새로운 가치 함수와 벨만 방정식을 기반으로 안전하고 강인한 끌개 영역을 정밀하게 추정하고, 이를 물리 정보 신경망과 형식적 검증 기법을 통해 검증 가능한 방식으로 계산하는 새로운 프레임워크를 제안합니다.

핵심

1. 문제 상황: "예측 불가능한 폭풍" 속의 비행

상상해 보세요. 여러분이 조종하는 드론이 있습니다. 이 드론은 **목적지 (안정된 집)**로 돌아가야 합니다. 하지만 하늘에는 **예측할 수 없는 바람 (불확실성/외란)**이 불고 있고, 드론은 **특정 구역 (안전 구역)**을 벗어나면 추락할 수 있습니다.

기존의 방법들은 다음과 같은 문제가 있었습니다:

• 너무 보수적: "바람이 아주 약할 때만 안전하다고 가정"해서, 실제로는 더 넓은 영역까지 날아갈 수 있는데도 좁은 영역만 안전하게 인정해 주었습니다.
• 계산이 너무 어려움: 모든 바람의 경우를 다 계산하려면 컴퓨터가 몇 년을 걸려도 답을 못 냅니다.
• 형식적 검증 부재: "AI 가 이렇게 계산했으니 안전할 거야"라고 말만 하고, 실제로 100% 안전하다고 증명해 주지 못했습니다.

2. 이 논문의 핵심 솔루션: "AI 조종사"와 "수학적 나침반"

이 연구팀은 세 가지 강력한 도구를 결합하여 새로운 방법을 개발했습니다.

① 새로운 지도 그리기 (가치 함수와 벨만 방정식)

기존에는 드론이 목적지에 얼마나 가까운지 '거리'만 재었습니다. 하지만 이 연구팀은 **"목적지에 도달하기까지 얼마나 많은 '위험 비용'을 치를 것인가?"**를 계산하는 새로운 지도 (가치 함수) 를 만들었습니다.

• 비유: 마치 게임에서 "이 지점에서 보스에게 잡힐 확률과 피할 수 있는 확률을 합산한 점수"를 매기는 것과 같습니다.
• 이 지도는 벨만 방정식이라는 수학적 규칙을 따릅니다. "지금의 점수는 (현재 위험도) + (다음 단계의 예상 점수)"라는 식으로, 미래를 예측하며 점수를 매기는 원리입니다.

② AI 조종사 (신경망 학습)

이 복잡한 지도를 손으로 그리는 건 불가능합니다. 그래서 **딥러닝 (신경망)**을 훈련시켰습니다.

• 물리 정보 기반 학습: 단순히 데이터를 외우는 게 아니라, 위에서 만든 '수학적 규칙 (벨만 방정식)'을 AI 가 학습할 때 무조건 지키도록 훈련시켰습니다.
• 결과: AI 는 "바람이 불어도 안전할 수 있는 최대한 넓은 영역"을 스스로 찾아내어 지도로 그려냈습니다.

③ 안전 검사관 (형식적 검증)

AI 가 그린 지도가 100% 맞을지 어떻게 알 수 있을까요? 여기서 형식적 검증 (Formal Verification) 도구가 등장합니다.

• 비유: AI 가 그린 지도를 엄격한 안전 검사관이 하나하나 확인합니다. "여기서 바람이 불면 추락하지 않나?", "안전 구역 밖으로 나가지는 않나?"를 수학적으로 100% 증명합니다.
• 만약 AI 가 "여기는 안전해"라고 말해도, 검사관이 "아니야, 여기는 위험해"라고 하면 그 부분은 잘라냅니다. 이렇게 해서 100% 증명된 안전한 영역만 남깁니다.

3. 왜 이것이 혁신적인가?

1. 불확실성을 무시하지 않음: 바람이 세게 불어도 견딜 수 있는 실제적인 안전 영역을 찾습니다.
2. 복잡한 시스템도 가능: 기존에는 다항식 (수학적으로 깔끔한) 시스템만 다뤘지만, 이 방법은 비선형적이고 복잡한 시스템 (예: 엔진이 과열되는 로봇, 급격히 방향을 바꾸는 비행기) 도 다룰 수 있습니다.
3. 확신 있는 안전: "대략 안전할 것 같다"가 아니라, 수학적으로 증명된 안전을 제공합니다.

4. 실제 적용 예시 (논문 속 사례)

연구팀은 이 방법을 4 가지 시나리오에 적용해 보았습니다.

• 전력 시스템: 전기가 불안정할 때 시스템이 붕괴되지 않는 영역 찾기.
• 비행기/로봇: 바람이나 마찰력 같은 변수가 있을 때 안전하게 착륙할 수 있는 영역 찾기.

결과: 기존의 방법들 (타원형 영역 추정 등) 보다 훨씬 더 넓고 정확한 안전 영역을 찾아냈으며, 특히 바람이 불 때 (불확실성이 있을 때) 다른 방법들은 실패했지만 이 방법은 성공했습니다.

요약

이 논문은 **"AI 가 복잡한 수학적 규칙을 배우고, 엄격한 검사관이 그 결과를 100% 검증하여, 불확실한 세상에서도 안전하게 목적지에 도달할 수 있는 '최대 안전 구역'을 찾아내는 방법"**을 제안한 것입니다.

마치 "AI 가 비행 경로를 설계하고, 수학자가 그 경로의 안전성을 100% 보증하는" 시스템을 만든 것과 같습니다.

기술 요약

이 논문은 이산 시간 비선형 불확실성 시스템에 대한 **안전하고 강인한 끌개 영역 (Safe and Robust Domains of Attraction, DOA)**을 정확하게 추정하기 위한 새로운 프레임워크를 제안합니다. 특히 상태 제약 조건이 존재하는 상황에서 신경망 (Neural Network, NN) 을 활용한 추정과 형식적 검증 (Formal Verification) 을 결합한 방법론을 제시합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem Statement)

• 목표: 불확실성 (disturbance) 과 상태 제약 조건 하에서, 시스템의 모든 궤적이 특정 강인 불변 집합 (Robust Invariant Set, RIS) 으로 수렴하면서 주어진 안전 집합 (Safe Set) 내부에 머무르는 초기 상태의 집합인 '안전한 강인 DOA'를 추정하는 것.
• 한계점: 기존 방법들은 다음과 같은 한계가 있었습니다.
  • Lyapunov 함수 기반: 고정된 템플릿 (예: 2 차 형식) 을 사용하여 보수적인 (conservative) 하한 추정을 제공하며, 상태 제약 조건을 반영하기 어렵습니다.
  • 그리드 기반 수치 해법: 계산 비용이 매우 높고 차원의 저주에 시달리며, 이산화 오차로 인해 형식적 보장을 제공하지 못합니다.
  • 기존 신경망 접근법: 학습 과정에서 불확실성을 명시적으로 고려하지 않거나, 학습된 모델에 대한 형식적 검증이 어렵습니다.

2. 제안된 방법론 (Methodology)

논문은 세 가지 핵심 요소를 통합한 프레임워크를 제시합니다.

A. 집합 기반 가치 함수 (Set-Based Value Functions) 및 벨만 방정식

• 새로운 가치 함수 정의: 컴팩트 집합의 거리 공간 (metric spaces of compact sets) 위에 정의된 새로운 가치 함수 $V$와 $W$를 도입했습니다. 이 함수들은 안전한 강인 DOA 를 정확히 특성화합니다.
• Bellman-type (Zubov-type) 방정식: 이 가치 함수들이 만족하는 함수 방정식을 유도했습니다. 이는 시스템의 동역학과 불확실성을 고려한 '최악의 경우 (worst-case)' 시나리오를 포함합니다.
• 이론적 기반: 시스템의 우변이 연속적이고, 안전 집합이 열려 있으며, RIS 가 균일한 국소 $\ell_p$-안정성을 가진다는 비교적 약한 가정 하에 DOA 와 가치 함수의 수렴성, 연속성, 유일성을 수학적으로 증명했습니다.

B. 물리 정보 신경망 (Physics-Informed Neural Network, PINN) 학습

• 학습 프레임워크: 유도된 벨만-type 방정식을 신경망 학습 과정의 손실 함수 (Loss Function) 에 직접 포함시켜 학습합니다.
  • 데이터 기반 손실: 근사된 가치 함수 값과 신경망 출력 간의 오차.
  • 물리 기반 손실: 벨만 방정식의 잔차 (residual) 를 최소화하여 시스템 동역학 법칙을 따르도록 강제합니다.
• 불확실성 처리: 불확실성 집합으로 인해 도달 집합 (Reachable Set) 이 단일 점이 아닌 집합이 되는 문제를 해결하기 위해, 도달 집합을 근사하는 임베딩 (Embedding) 기법을 사용하여 신경망 입력을 변환합니다.

C. 형식적 검증을 통한 인증 가능한 추정 (Certifiable Estimation)

• 검증 절차: 학습된 신경망은 근사값이므로, 이를 기반으로 안전한 ROA (Region of Attraction) 를 보장하기 위해 형식적 검증 도구를 활용합니다.
• 확장 알고리즘: 초기에 작은 안전한 ROA 를 설정한 후, 신경망이 만족하는 조건 (Lyapunov 감소 조건, 상태 제약 조건 준수 등) 을 형식적 검증 도구 (예: $\alpha,\beta$-CROWN, dReal) 를 사용하여 검증함으로써, 검증된 안전한 ROA 를 점진적으로 확장합니다.

3. 주요 기여 (Key Contributions)

1. 이론적 일반화: 기존 연구에서 요구하던 Lipschitz 연속성이나 다항식 표현과 같은 제한적인 가정을 완화하고, 일반적인 연속 동역학과 $\ell_p$-안정성 하에서 DOA 를 특성화하는 새로운 가치 함수 체계를 제시했습니다.
2. 고차원 및 비선형 시스템 대응: 그리드 기반 방법의 차원 저주를 극복하고, 신경망의 표현력을 활용하여 고차원 비선형 불확실성 시스템의 DOA 를 추정할 수 있게 했습니다.
3. 인증 가능성 (Certifiability): 단순히 신경망을 학습하는 것을 넘어, 형식적 검증을 통해 추정된 DOA 가 수학적으로 안전하고 강인함을 보장하는 절차를 마련했습니다.
4. 실용적 프레임워크: 이론적 모델, 신경망 학습, 형식적 검증을 하나의 통합된 파이프라인으로 구성하여 실제 시스템에 적용 가능한 방법을 제시했습니다.

4. 실험 결과 (Results)

논문은 4 가지 수치 예시 (2 차원 전력 시스템, 다항식 안정성을 가진 비선형 시스템, 중력 및 토크 제한을 가진 강체 막대 시스템, 유리수 시스템 등) 를 통해 방법론을 검증했습니다.

• 성능 비교:
  • 불확실성 고려 시 (Scenario 2): 제안된 프레임워크는 기존 최적화 타원체 방법 (Optimized Ellipsoidal ROA) 과 기존 신경망 방법 (Nominal dynamics training) 보다 더 크고 정확한 DOA 추정치를 제공했습니다.
  • 기존 방법의 실패: 불확실성을 고려하지 않고 학습된 신경망은 불확실성이 존재하는 경우 형식적 검증을 통과하지 못해 (NA) 추정을 실패한 반면, 제안된 방법은 성공적으로 검증되었습니다.
  • 비교 우위: 기존 문헌의 매개변수 의존 Lyapunov 함수 방법보다 더 넓은 영역을 커버하며, 특히 시간 변화 불확실성 (time-varying uncertainty) 을 다룰 수 있는 장점을 보였습니다.
• 계산 효율성: 신경망 학습 및 검증 시간은 기존 방법과 비교 가능하거나 합리적인 수준이었으며, 도달 집합 근사를 위한 시뮬레이션 비용이 주요 오버헤드였습니다.

5. 의의 및 결론 (Significance)

이 논문은 **안전성 (Safety)**과 **강인성 (Robustness)**을 동시에 보장하는 제어 시스템 설계에 중요한 기여를 합니다.

• 기존의 보수적인 Lyapunov 기반 방법의 한계를 넘어, 데이터 기반 학습과 형식적 검증의 장점을 결합하여 더 넓고 신뢰할 수 있는 안전 영역을 찾을 수 있음을 입증했습니다.
• 불확실성과 상태 제약이 공존하는 복잡한 비선형 시스템 (로봇, 전력망, 자율 주행 등) 에 대해 안전성을 수학적으로 증명할 수 있는 도구를 제공한다는 점에서 공학적 의의가 큽니다.
• 향후 연속 시간 시스템, 제어가 가능한 시스템의 영점 제어 영역 (Null Controllability Regions) 등으로 연구 범위를 확장할 수 있는 기반을 마련했습니다.