⚡ electrical engineering

When control meets large language models: From words to dynamics

Dit artikel onderzoekt de wederzijdse relatie tussen grote taalmodellen en regeltechniek, waarbij wordt gekeken hoe LLM's het ontwerp van regelaars en onderzoeksprocessen verbeteren, terwijl principes uit de regeltechniek worden toegepast om het gedrag van LLM's als dynamische systemen te optimaliseren, te aligneren en te stabiliseren.

Oorspronkelijke auteurs: Komeil Nosrati, Aleksei Tepljakov, Juri Belikov, Eduard Petlenkov

Gepubliceerd 2026-05-21

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Komeil Nosrati, Aleksei Tepljakov, Juri Belikov, Eduard Petlenkov

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Geheel: Een Tweewegs Straat

Stel je een drukke kruising voor waar twee heel verschillende werelden samenkomen: Regeltechniek (de wetenschap om dingen stabiel te houden, zoals cruisecontrol in een auto of een thermostaat in een huis) en Grote Taalmodellen (LLMs) (de AI-chatbots die schrijven, coderen en chatten).

Het paper stelt dat dit niet zomaar een eenrichtingsverkeer is. Het is een tweewegs relatie:

LLMs helpen bij Regeltechniek: De AI fungeert als een superslimme assistent-ingenieur die mensen helpt betere regelaars te ontwerpen.
Regeltechniek helpt bij LLMs: De principes van technische regeling worden gebruikt om de AI te "sturen", zodat ze niet uit de bocht vliegt of gevaarlijke dingen zegt.

Deel 1: Hoe LLMs Ingenieurs Helpen (De "Superassistent")

Stel je een regeltechnicus voor als een piloot die probeert een complex vliegtuig te vliegen. Normaal gesproken moeten ze alle wiskunde doen, handleidingen controleren en de instellingen handmatig bijstellen. LLMs stappen nu in om op twee manieren te helpen:

1. De Indirecte Helper (De Onderzoeksassistent)
Stel je voor dat je een proefschrift schrijft. Je moet honderden papers lezen, rommelige data opschonen en rapporten schrijven.

Wat het paper zegt: LLMs kunnen fungeren als een onuitputtelijke onderzoeksassistent. Ze kunnen oude papers samenvatten, rommelige data organiseren en zelfs de code voor simulaties schrijven.
De Analogie: Het is alsof je een junior stagiair hebt die in seconden een bibliotheek aan boeken kan lezen en je een perfect georganiseerde samenvatting geeft, waardoor de senior ingenieur zich kan focussen op de grote ideeën.

2. De Directe Helper (De Medepiloot)
Soms doet de AI niet alleen maar samenvatten; het helpt daadwerkelijk bij het ontwerpen van het systeem.

Wat het paper zegt: LLMs kunnen specifieke getallen voor een regelaar voorstellen (zoals hoe sterk een rem moet zijn) of helpen bij het ontwerpen van het pad van een robot. Ze kunnen zelfs "wat-zou-er-gebeuren"-scenario's in een computersimulatie uitvoeren om te zien of een ontwerp zal crashen voordat het gebouwd wordt.
De Analogie: Dit is als een medepiloot die niet alleen de kaart vasthoudt, maar daadwerkelijk de controle grepen om een soepelere route voor te stellen of de motorinstellingen aan te passen op basis van het weer. Het paper merkt op dat hoewel ze hier goed in zijn, ze nog steeds een mens nodig hebben om hun werk te controleren, omdat ze soms "hallucinaties" kunnen maken (zelfverzekerd maar verkeerde aannames).

Deel 2: Hoe Regeltechniek LLMs Helpt (Het "Stuurwiel")

Nu keren we de rollen om. LLMs zijn krachtig, maar ze kunnen onvoorspelbaar zijn. Ze kunnen iets grof zeggen, liegen of afdwalen van het onderwerp. Regeltechniek biedt de middelen om ze op koers te houden.

Het paper beschrijft drie hoofdmanieren om de AI te "sturen":

1. Het Hersenen Bewerken (Model Editing)

De Analogie: Stel je de AI voor als een persoon. Als ze een slechte gewoonte hebben, kun je proberen hun hersenen opnieuw te bedraden om dit te stoppen.
Wat het paper zegt: Dit houdt in dat je permanent de interne "gewichten" (het geheugen) van de AI verandert om specifieke fouten te herstellen. Het is als een permanente operatie om de AI te laten liegen over een specifiek feit.

2. De Knoppen Drukken (Activeringstechniek)

De Analogie: Stel je de AI voor als een auto, en je hebt een afstandsbediening. Je verandert de motor niet; je drukt gewoon op een knop om de auto een beetje naar links of rechts te duwen terwijl hij rijdt.
Wat het paper zegt: In plaats van het brein te veranderen, pas je de interne gedachten van de AI terwijl het denkt aan. Als de AI begint boos te worden, injecteer je een klein "kalm" signaal om het terug te duwen naar beleefdheid. Het is tijdelijk maar zeer snel.

3. Betere Prompts Schrijven (Input-optimalisatie)

De Analogie: Dit is alsof je de AI een zeer specifieke set instructies geeft voordat het begint te rijden. "Blijf in de rijbaan, versnel niet en let op stopborden."
Wat het paper zegt: Door de vragen of prompts die we aan de AI geven zorgvuldig te ontwerpen, kunnen we hun gedrag sturen zonder hun code aan te raken. Het paper behandelt dit als een "feed-forward" regelsysteem – de koers bepalen voordat de reis begint.

De Nieuwe "LiSeCo"-Methode:
Het paper belicht een nieuwe, geavanceerde methode genaamd LiSeCo. Denk hierbij aan een slimme cruisecontrol voor de gedachten van de AI. Het controleert constant of de AI afdwaalt naar "onveilig" gebied (zoals grof zijn of liegen) en past automatisch een kleine correctie toe om het op het veilige pad te houden, terwijl de AI tekst genereert.

Deel 3: De AI als Machine (Het "Staatruimte"-Beeld)

Dit is het technischste deel van het paper, eenvoudig uitgelegd:

Het Idee: Traditioneel zagen we AI alleen als een tekstgenerator. Maar het paper zegt: "Wacht eens, laten we de AI bekijken als een machine met bewegende onderdelen."
De Analogie: Stel je voor dat de AI niet zomaar een magische doos is die woorden spuugt. Stel je voor dat het een groot, complex uurwerkmechanisme is. Elk woord dat het zegt, beweegt een tandwiel erin.
De Mamba-Connectie: Het paper bespreekt een nieuw type AI-architectuur genaamd Mamba. Denk aan Mamba als een nieuwe, efficiëntere motor voor deze klokken. In tegenstelling tot oudere motoren (Transformers) die traag en zwaar worden naarmate het verhaal langer wordt, is Mamba als een lichtgewicht, hoogwaardige motor die het begin van het verhaal net zo goed onthoudt als het einde, zonder moe te worden.
Waarom dit belangrijk is: Omdat we deze AI-motoren nu als "machines" kunnen zien, kunnen we de wiskunde van regeltechniek gebruiken (zoals controleren of een auto stabiel is of of een brug het zal houden) om de AI te analyseren. We kunnen vragen: "Is deze interne staat van de AI stabiel?" of "Kunnen we controleren waar het naartoe gaat?"

Deel 4: De Uitdagingen (De "Snelheidshobbels")

Het paper is optimistisch maar realistisch. Het noemt verschillende hindernissen:

Vertrouwingsproblemen: Als een AI een regelaar ontwerpt voor een kerncentrale of een zelfrijdende auto, en de AI maakt een fout, is dat gevaarlijk. We kunnen er nog niet blind op vertrouwen.
De "Black Box": Zelfs met deze nieuwe methoden is het nog steeds moeilijk om precies te weten waarom de AI een beslissing heeft genomen. Het is alsof je probeert een horloge te repareren zonder de tandwielen te kunnen zien.
Wereld versus Simulatie: De meeste tests vinden plaats in computersimulaties (zoals een videospel). Het paper waarschuwt dat echte wereldfysica (wind, wrijving, defecte sensoren) veel moeilijker te hanteren zijn dan een videospel.
De "Afdwaling": AI-modellen kunnen hun gedrag langzaam veranderen na verloop van tijd of verward raken door lange gesprekken. We hebben betere "leuningrails" nodig om te voorkomen dat ze van koers raken.

De Conclusie

Het paper concludeert dat Regeltechniek en AI beste vrienden zijn.

AI geeft ingenieurs een superkrachtig hulpmiddel om betere systemen te ontwerpen.
Regeltechniek geeft ingenieurs de wiskunde en hulpmiddelen om AI veilig, stabiel en betrouwbaar te houden.

Het doel is om AI-systemen te bouwen die net zo betrouwbaar en veilig zijn als de elektromechanische machines (zoals liften of vliegtuigen) die we al met ons leven vertrouwen. We gaan van een tijd waarin AI alleen maar woorden "raadt" naar een tijd waarin we wiskundig kunnen garanderen dat het zich gedraagt zoals we willen.

Technische Samenvatting: Wanneer Regeling Kruist met Grote Taalmodellen: Van Woorden naar Dynamiek

1. Probleemstelling

De snelle vooruitgang van Grote Taalmodellen (LLM's) heeft hen gevestigd als krachtige hulpmiddelen voor engineering en besluitvorming. Deze vooruitgang presenteert echter een dubbele uitdaging: LLM's worden steeds vaker gebruikt om complexe systemen te ontwerpen en te regelen, maar functioneren tegelijkertijd zelf als complexe dynamische systemen waarvan het gedrag gereguleerd moet worden. Op dit moment is de kruising tussen LLM's en regelingstheorie gefragmenteerd en ontbreekt er een unifyend kader om de wederzijdse relatie tussen de twee aan te pakken. Er is specifiek behoefte aan inzicht in hoe LLM's de workflows en ontwerpprocessen van regeltechniek kunnen versterken, terwijl er tegelijkertijd wordt bepaald hoe principes uit de regelingstheorie kunnen worden toegepast om het gedrag van LLM's te sturen, veiligheid te waarborgen en hun interne dynamiek te analyseren als toestandsruimtesystemen.

2. Methodologie

Het artikel hanteert een conceptueel en analytisch kader om het bidirectionele continuüm tussen LLM's en regelingstheorie in kaart te brengen. De methodologie is gestructureerd rondom drie primaire paradigma's:

LLM voor Regeling: Analyse van hoe LLM's regeltechniek ondersteunen via indirecte workflow-versterking (bijv. literatuursynthese, code-scaffolding) en directe technische interventie (bijv. regelaarssynthese, parameterafstelling, symbolisch redeneren). Het artikel categoriseert deze interacties op basis van prompt-strategieën (zero-shot, few-shot, Chain-of-Thought) en architecturale rollen (agenten, optimalisatoren).
Regeling voor LLM: Onderzoek naar methoden om LLM-outputs te reguleren met behulp van concepten uit de regelingstheorie. Dit houdt in dat LLM's worden behandeld als discrete-tijd stochastische dynamische systemen waarbij invoeren als regelsignalen fungeren. Het artikel onderzoekt drie stuurstrategieën:
- Modelbewerking: Aanpassen van parameters ( $\theta$ ) om specifieke gedragingen af te dwingen terwijl de localiteit behouden blijft.
- Activeringstechniek: Injecteren van stuursignalen in verborgen toestanden tijdens inferentie om stijl of sentiment te sturen zonder parameters te wijzigen.
- Prompt-engineering (Invoeroptimalisatie): Het behandelen van prompts als open-loop feedforward-regelinvoeren om de toestandsbaan te vormen.
- Formele Regeling: Toepassen van concepten zoals Lineaire Semantische Regeling (LiSeCo) om optimale ingrepen in de latente ruimte te berekenen met bewijsbare garanties.
Regeling met LLM (Dynamische Analyse): Het modelleren van LLM's zelf als dynamische systemen. Het artikel zet traditionele Transformer-architecturen af tegen Gestructureerde Toestandsruimte-modellen (SSM's), specifiek de Mamba-familie. Het analyseert deze modellen door de lens van regelbaarheid, waarneembaarheid en stabiliteit, waarbij canonieke vormen (Regelbare Canonieke Vorm, Waarneembare Canonieke Vorm) worden gebruikt om de interne toestandsdynamiek te interpreteren.

3. Belangrijkste Bijdragen

Het artikel levert de volgende specifieke bijdragen:

Historische Synthese: Het traceert de evolutie van de AI-regeling-synergie van vroege cybernetica en de Stanford Cart tot moderne Reinforcement Learning from Human Feedback (RLHF) en Transformer-gebaseerde architecturen, met als hoogtepunt de convergentie van feedbackloops in beide velden.
Categorisering van Interacties: De auteurs stellen een gestructureerde kaart voor (Figuur 2) die de kruising tussen LLM en regeling verdeelt in drie paradigma's:
- Indirecte Ondersteuning: LLM's die onderzoeksworkflows versterken (automatisering niveau 0–2).
- Directe Ondersteuning: LLM's die deelnemen aan regelaarontwerp, afstelling (offline en online), optimalisatie (MPC-achtige planning) en symbolisch redeneren (bijv. ontdekking van Lyapunov-functies).
- Regeling van LLM's: Het gebruik van regelingconcepten om LLM-banen te sturen via parameterbewerking, activeringstechniek en invoeroptimalisatie.
- Interne Dynamiek: Het analyseren van LLM's als SSM's om regelbaarheid en stabiliteit te beoordelen.
Analyse van SSM's en Mamba: Het artikel beschrijft in detail hoe Mamba- en Mamba-2-architecturen invoer-afhankelijke selectiemechanismen (S-SSM's) incorporeren die lineaire tijd-invariante (LTI) systemen transformeren in lineaire tijd-variabele (LTV) systemen. Het toont aan hoe het afdwingen van beperkingen op regelbaarheid, waarneembaarheid en stabiliteit (bijv. via negatieve schaling van diagonaalelementen in matrix $A$ ) de robuustheid en interpreteerbaarheid van deze modellen kan verbeteren.
Identificatie van Uitdagingen: De auteurs identificeren systematisch beperkingen in het huidige onderzoek, waaronder:
- Voor LLM's in Regeling: Gebrek aan empirisch bewijs voor workflow-verbeteringen, afhankelijkheid van smalle benchmarks, prompt-gevoeligheid en beperkte fysische onderbouwing.
- Voor Regeling van LLM's: De moeilijkheid om de sterkte van ingrepen te kalibreren, gebrek aan formele veiligheidsgaranties voor taken met lange horizon, en de kloof tussen theoretische regelbaarheid en emergent gedrag.
- Voor Dynamische Analyse: De complexiteit van latente dynamiek in SSM's en het gebrek aan interpreteerbaarheid in vergelijking met op attention gebaseerde modellen.

4. Resultaten en Bevindingen

Het artikel presenteert bevindingen gebaseerd op een review van bestaande literatuur en theoretische analyse in plaats van het genereren van nieuwe experimentele data:

Workflow-versterking: LLM's kunnen onderzoekstaken structureren, van eenvoudige argumentconstructie (Niveau 0) tot autonome meerstaps-orkestratie (Niveau 2), hoewel huidige toepassingen grotendeels illustratief zijn.
Regelaarontwerp: Kaders zoals ControlAgent en AgenticControl tonen aan dat LLM's bijna perfecte succespercentages kunnen behalen bij het afstellen van PID-regelaars voor lineaire tijd-invariante (LTI) systemen met behulp van iteratieve feedback in de lus. De prestaties verslechteren echter wanneer ze worden toegepast op niet-lineaire of hoogdimensionale systemen zonder expliciete fysische onderbouwing.
Symbolisch Redeneren: LLM's hebben potentie getoond in het ontdekken van globale Lyapunov-functies en het vertalen van natuurlijke taal-specificaties naar regellagen, hoewel ze moeite hebben met open-ended combinatorische problemen.
Stuurmechanismen: Methoden zoals LiSeCo bieden bewijsbare garanties voor het sturen van LLM-banen naar veilige semantische gebieden door optimalisatieproblemen met beperkingen op activeringen op te lossen. Deze methoden vereisen echter momenteel offline training van probes en zijn beperkt tot vooraf gedefinieerde attribuutgebieden.
SSM-dynamiek: De analyse van Mamba-architecturen onthult dat hun invoer-afhankelijke selectiemechanismen inhoudsbewuste modellering mogelijk maken, waardoor de kloof tussen de efficiëntie van RNN's en het vermogen van Transformers om context vast te leggen effectief wordt overbrugd. Het afdwingen van canonieke vormen in deze modellen verbetert hun stabiliteits- en regelbaarheidseigenschappen.

5. Betekenis en Toekomstperspectief

Het artikel betoogt dat de convergentie van LLM's en regelingstheorie essentieel is voor het ontwikkelen van betrouwbare, robuuste en interpreteerbare AI-systemen. De betekenis hiervan ligt in:

Bieden van een Unifyend Kader: Het gaat verder dan gefragmenteerde toepassingen om een gestructureerde "interconnectiekaart" te bieden die verduidelijkt hoe regelingstheorie LLM's kan reguleren en hoe LLM's regelingontwerp kunnen versterken.
Overbruggen van Theorie en Praktijk: Door LLM's te modelleren als dynamische systemen, suggereert het artikel dat concepten zoals regelbaarheid en waarneembaarheid niet slechts theoretische abstracties zijn, maar praktische hulpmiddelen voor het analyseren en waarborgen van de veiligheid van AI-gedrag.
Richten van Toekomstig Onderzoek: De auteurs schetsen kritieke toekomstige richtingen, waaronder de noodzaak van:
- Empirische Validatie: Systematische studies om de impact van LLM's op de kwaliteit van regelingonderzoek en de implementatie in de echte wereld te kwantificeren.
- Robuustheid en Veiligheid: Het ontwikkelen van methoden voor planning op lange termijn, het omgaan met onzekerheden en het waarborgen van veiligheid in veiligheidskritieke toepassingen (bijv. robotica, elektriciteitsnetten).
- Interpreteerbaarheid: Het creëren van regelingstheoretische abstracties voor op SSM gebaseerde modellen om hun interne besluitvormingsprocessen transparant te maken.
- Regeling Herdenken: De vraag stellen of traditionele permanente regulatie de enige weg is, en suggereren dat "vertrouwensgebaseerde uitlijning" en coöperatieve intentie mogelijk noodzakelijk zijn voor steeds autonomere systemen.

Het artikel concludeert dat, hoewel aanzienlijke vooruitgang is geboekt, het veld in de kinderschoenen staat. Het bereiken van AI-systemen die even betrouwbaar en robuust zijn als elektromechanische tegenhangers vereist interdisciplinaire inspanningen om dynamische modellering, regelingstheorie en LLM-capaciteiten te integreren.