⚡ electrical engineering

$\partial$ CBDs: Differentiable Causal Block Diagrams

Dit artikel introduceert $\partial$ CBDs, een nieuw formalisme dat modulaire causale blokdiagrammen combineert met contract-gebaseerde verificatie en differentieerbare programmering om cyber-fysische systemen tegelijkertijd composabel, verifieerbaar en leerbaar te maken.

Oorspronkelijke auteurs: Thomas Beckers, Ján Drgoňa, Truong X. Nghiem

Gepubliceerd 2026-02-10

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Thomas Beckers, Ján Drgoňa, Truong X. Nghiem

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

Stel je voor dat je een hypermoderne zelfrijdende auto bouwt. Je hebt drie grote uitdagingen:

De bouwtekening: Je wilt de auto opbouwen uit losse onderdelen (motor, remmen, sensoren) die je makkelijk kunt vervangen of combineren.
Het leren: De auto moet kunnen leren van de weg (bijvoorbeeld: "als het regent, moet ik eerder remmen").
De veiligheid: Je wilt 100% zeker weten dat de auto nooit een verkeerde afslag neemt, zelfs niet als hij iets nieuws leert.

Nu is er een probleem: de ingenieurs die de bouwtekeningen maken, praten een andere taal dan de computerwetenschappers die de AI (het leren) trainen, en de veiligheidsexperts die de regels controleren, zitten in een compleet andere kamer.

Dit wetenschappelijke artikel introduceert $\partial$ CBDs (spreek uit als: differentiable CBDs). Dit is eigenlijk een soort "universele vertaalmachine" die deze drie werelden samenbrengt.

De Metafoor: De "Slimme LEGO-set met een Veiligheidscontract"

Stel je voor dat je een enorme stad bouwt met LEGO.

1. De CBD (De LEGO-bouwsteen):
Normaal gesproken is LEGO gewoon een verzameling blokjes. In dit onderzoek zijn de blokjes "Causal Block Diagrams". Dat betekent dat elk blokje precies weet wat het doet: de "motor-steen" krijgt stroom en geeft beweging, de "wiel-steen" krijgt beweging en geeft draaiing. Het is heel overzichtelijk en modulair.

2. De Differentiable laag (De "Leerbare" LEGO):
In de normale wereld zijn LEGO-blokjes hard en onveranderlijk. Maar in dit onderzoek zijn de blokjes een beetje als klei. Als de auto een bocht te scherp neemt, kan de "klei-motor" zichzelf een klein beetje aanpassen om de volgende keer beter te presteren. Dit noemen we "differentiabel": de computer kan precies uitrekenen in welke richting hij de klei moet kneden om het resultaat te verbeteren.

3. De Contracts (Het "Veiligheidscontract"):
Dit is het geniale onderdeel. Elk blokje krijgt een contract mee. Bijvoorbeeld: "Ik ben een rem-blokje. Ik beloof dat ik binnen 0,5 seconde stop, mits de weg niet bevroren is (de aanname)."

In dit nieuwe systeem is dit contract niet alleen een tekstje op papier, maar een meetbare regel die de klei-blokjes begrijpt. Als de AI probeert de motor aan te passen om sneller te gaan, maar die aanpassing zorgt ervoor dat het rem-contract wordt geschonden, dan zegt het systeem direct: "Ho stop! Je mag de motor wel aanpassen, maar alleen zolang het rem-contract nog geldig is."

Wat hebben we hieraan?

Dankzij $\partial$ CBDs kunnen we systemen bouwen die:

Modulair zijn: Je kunt onderdelen makkelijk wisselen (zoals LEGO).
Slim zijn: Ze kunnen leren van data en zichzelf verbeteren (zoals AI).
Betrouwbaar zijn: Ze houden zich aan strikte veiligheidsregels, zelfs tijdens het leren (zoals een contract).

Kortom: Het is een manier om AI niet alleen "slim" te maken, maar ook "georganiseerd" en "veilig", zodat we complexe machines (zoals robots of zelfrijdende auto's) kunnen vertrouwen terwijl ze zichzelf verbeteren.

Technische Samenvatting: $\partial$ CBDs

1. Het Probleem: De "Drie-eenheid" van Cyber-Fysieke Systemen (CPS)

Bij het ontwerpen van moderne cyber-fysieke systemen (zoals autonome voertuigen of robots) moeten ingenieurs drie fundamentele doelen verenigen die momenteel vaak in isolatie worden behandeld:

Compositie (Modulariteit): Het vermogen om complexe systemen op te bouwen door eenvoudige componenten (blokken) logisch te verbinden.
Leerbaarheid (Adaptiviteit): Het vermogen om modellen en controllers aan te passen met behulp van data en gradiënt-gebaseerde optimalisatie (Machine Learning).
Verifieerbaarheid (Veiligheid): Het kunnen garanderen dat een systeem voldoet aan veiligheids- en prestatie-eisen (formele contracten).

Huidige methoden schieten tekort: Causal Block Diagrams (CBDs) zijn modulair maar niet differentieerbaar; Differentiable Programming (DP) is krachtig voor optimalisatie maar mist formele garanties; en Contract-based verification is formeel correct maar staat los van data-gedreven leerprocessen.

2. Methodologie: Het $\partial$ CBD Framework

De auteurs introduceren $\partial$ CBDs, een formalisme dat deze drie domeinen integreert via vijf abstractielagen. De kern van de methodologie is het uitbreiden van de standaard CBD-structuur met differentiabele contracten.

Kerncomponenten van de methodologie:

Blok-definitie met Contracten: Elk blok in het diagram wordt gedefinieerd door zijn inputs ( $U$ ), interne toestanden ( $X$ ), outputs ( $Y$ ), tijdsemantiek ( $T$ ), transitiefuncties ( $F$ ), outputfuncties ( $g$ ) en een set contracten ( $C$ ).
Twee soorten contracten:
- Assume-Guarantee (A–G) contracten: Deze bieden een formeel, normatief kader voor correctheid (bijv. "als de input binnen bereik $A$ valt, garandeert het blok output $G$ ").
- Residual-based contracten: Dit zijn kwantitatieve, differentiabele "residuen" (foutmarges) die de mate van contractnaleving meten. Omdat deze residuen differentieerbaar zijn, kunnen ze direct in een optimalisatiefunctie worden opgenomen.
Reductie naar Differentiabele DAGs: Om gebruik te maken van moderne Automatic Differentiation (AD) frameworks (zoals PyTorch of JAX), wordt de CBD getransformeerd naar een Directed Acyclic Graph (DAG). Dit gebeurt via:
- Rate lifting: Het synchroniseren van verschillende bemonsteringsperioden.
- Loop unrolling: Het uitrollen van feedback-lussen over een eindig tijdsinterval.
- Event flattening: Het omzetten van hybride (discrete/continue) overgangen naar een differentieerbaar formaat.

3. Belangrijkste Bijdragen

Een verenigd formalisme: De introductie van $\partial$ CBDs als een brug tussen systeemmodellering, formele verificatie en differentiële programmering.
Differentiabele contract-integratie: Het concept waarbij formele specificaties worden omgezet in differentiabele penalty-functies, waardoor veiligheid een direct onderdeel wordt van het leerproces.
Algoritme voor systeemreductie: Een methodiek om complexe, causale, hybride systemen om te zetten in AD-uitvoerbare computatiegrafen met behoud van de fysieke en causale structuur.

4. Resultaten en Casestudies

De auteurs valideren het framework met drie uiteenlopende voorbeelden:

Voorbeeld 1 (Gain Tuning): Het optimaliseren van een feedback-versterking waarbij de stabiliteit (Input-to-State Stability) gegarandeerd wordt door een contract. Het resultaat laat zien dat de versterking efficiënt wordt getuned terwijl de stabiliteitsmarge strikt wordt gehandhaafd.
Voorbeeld 2 (Neural Policy & Lyapunov): Het gelijktijdig leren van een neuraal netwerk (controller) en een Lyapunov-functie (certificaat). Het systeem slaagt erin een niet-lineair systeem (Van der Pol oscillator) te stabiliseren met een bewezen traject-niveau veiligheidsgarantie.
Voorbeeld 3 (Deep Koopman Learning): Het leren van een lineair latent model van niet-lineaire dynamica. Door een contract op de spectrale radius van de Koopman-operator op te leggen, wordt gegarandeerd dat het geleerde model inherent stabiel is.

5. Betekenis en Impact

De $\partial$ CBD-methode is significant omdat het de kloof overbrugt tussen de "black-box" benadering van Deep Learning en de "white-box" benadering van klassieke systeemtheorie.

De implicaties zijn groot voor:

Veilige AI: Het mogelijk maken van adaptieve AI-agenten die binnen strikte fysieke en veiligheidsgrenzen opereren.
Hybrid Intelligence: Het combineren van symbolische logica, optimalisatie en neurale netwerken in één enkel, wiskundig consistent kader.
Industriële toepassing: Het biedt een schaalbare manier om complexe, multi-rate cyber-fysieke systemen te ontwerpen die zowel optimaal presteren als formeel verifieerbaar zijn.