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

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat je een heel complexe, onvoorspelbare machine bestuurt. Misschien een robot die op een ongelijk oppervlak loopt, of een zelfrijdende auto die moet navigeren door een storm. Je wilt dat deze machine veilig blijft en uiteindelijk tot rust komt op een specifieke, veilige plek (zoals een laadpunt of een parkeerplek).

Het probleem is dat er altijd onzekerheden zijn: de wind kan veranderen, de batterij kan minder krachtig zijn, of de grond kan glad zijn. Hoe weet je dan zeker dat de machine, ongeacht deze storingen, altijd veilig blijft en altijd zijn bestemming bereikt?

Dit is precies wat deze paper oplost. De auteurs hebben een nieuwe manier bedacht om te berekenen hoe groot het "veilige startgebied" is voor zulke systemen. Laten we dit uitleggen met een paar creatieve metaforen.

1. Het Probleem: De Onzichtbare Muur

Stel je voor dat je in een groot, donker veld staat. In het midden zit een veilige haven (de Robust Invariant Set). Je wilt weten: "Vanuit welke punten in dit veld kan ik lopen, zodat ik nooit in een moeras (de onzekerheden) beland en uiteindelijk de haven bereik?"

In het verleden probeerden wetenschappers dit te berekenen met vaste regels (zoals een rechte lijn of een perfecte cirkel). Maar omdat de werkelijkheid vaak krom en onregelmatig is, waren deze oude methoden vaak te voorzichtig. Ze zeiden: "Je mag hier niet lopen," terwijl je er eigenlijk wel veilig had kunnen lopen. Ze waren als een te strakke jas die je bewegingsvrijheid beperkt.

2. De Oplossing: Een Slimme, Leerzame Kaart

De auteurs van dit paper hebben een nieuwe, slimme kaart bedacht. In plaats van een starre lijn te trekken, gebruiken ze twee krachtige hulpmiddelen:

A. De "Energie-kaart" (Waardefuncties)

Stel je voor dat je een kaart tekent waarop elke plek in het veld een getal heeft.

Hoe dichter je bij de veilige haven bent, hoe lager het getal (bijvoorbeeld 0).
Hoe verder weg je bent, hoe hoger het getal.
Als je in een gevaarlijk gebied zit (buiten de veilige zone), wordt het getal oneindig hoog.

Deze kaart heet een waardefunctie. De auteurs hebben bewezen dat als je deze kaart perfect kunt tekenen, je precies weet waar de veilige zone eindigt. Maar het tekenen van zo'n kaart voor een onvoorspelbaar systeem is als proberen een berg te meten terwijl het stormt en de grond verschuift.

B. De "Neurale Netwerken" (De Slimme Leerling)

Hier komt de kunstmatige intelligentie (AI) om de hoek kijken. In plaats van de hele kaart handmatig te tekenen, laten ze een Neuraal Netwerk (een soort super-slim computerprogramma) de kaart leren.

Maar ze doen het niet zomaar. Ze gebruiken een methode die ze "Physics-Informed" noemen.

Normaal leren: Het programma kijkt naar voorbeelden en probeert het antwoord te raden.
Physics-Informed leren: Ze geven het programma ook de wetten van de natuur (de wiskundige regels van de machine) als een strenge leraar. Het programma moet niet alleen het juiste antwoord geven, maar ook bewijzen dat het antwoord voldoet aan de regels van de machine.

Het is alsof je een student niet alleen laat oefenen met sommen, maar hem ook dwingt om de formules uit het hoofd te leren en toe te passen. Zo leert het netwerk de kaart veel sneller en nauwkeuriger, zelfs als de machine onvoorspelbaar is.

3. De Controle: De "Waarheidsmeter"

Een AI kan soms zelfverzekerd fouten maken. Wat als het programma denkt dat een gebied veilig is, maar dat is het niet? Dat zou rampzalig zijn.

Daarom hebben de auteurs een verificatiestap toegevoegd. Dit is als een strenge inspecteur die na het werk van de AI komt kijken.

De AI zegt: "Ik denk dat dit gebied veilig is."
De inspecteur (gebruikmakend van geavanceerde wiskundige tools) controleert dit punt voor punt, rekening houdend met de ergste denkbare stormen en storingen.
Alleen als de inspecteur het volledig eens is, wordt het gebied als "gecertificeerd veilig" beschouwd.

Dit zorgt ervoor dat de resultaten niet alleen slim zijn, maar ook 100% betrouwbaar.

4. Wat hebben ze bewezen?

De auteurs hebben dit systeem getest op vier verschillende complexe voorbeelden:

Een elektriciteitsnetwerk dat wordt verstoord.
Een systeem dat wiskundig lastig te voorspellen is.
Een staaf die zwaartekracht en gedraaide krachten moet weerstaan.
Een rationeel systeem met breuken en onzekerheden.

In al deze gevallen bleek hun nieuwe methode:

Grotere veilige zones: Ze vonden meer startpunten die veilig waren dan oude methoden.
Robuuster: Het werkte zelfs als de storingen groot waren.
Sneller en flexibeler: Het kon omgaan met systemen waar andere methoden op vastliepen (zoals systemen die niet uit simpele polynomen bestaan).

Samenvatting in één zin

Deze paper presenteert een slimme manier om met behulp van AI en strenge wiskundige controle een "veiligheidsnet" te tekenen voor onvoorspelbare machines, zodat we precies weten waar we veilig kunnen starten om altijd veilig aan te komen, zelfs in de ergste storm.

Het is een stap in de richting van volledig betrouwbare autonome systemen die we kunnen vertrouwen, zelfs als de wereld om hen heen chaotisch is.

Each language version is independently generated for its own context, not a direct translation.

Titel

Veilige en Robuuste Aantrekkingsgebieden (DOA) voor Discrete-Tijdsystemen: Een Op Set-gebaseerde Karakterisering en Certificeerbare Schatting met Neuronale Netwerken.

1. Probleemstelling

Het analyseren van niet-lineaire systemen met onzekerheden vereist het schatten van hun Domains of Attraction (DOA), oftewel de verzameling van starttoestanden waaruit alle trajecten gegarandeerd convergeren naar een gewenste aantrekkende robuuste invariante set (RIS), terwijl ze tegelijkertijd aan gegeven toestandsbeperkingen voldoen.

Bestaande methoden hebben te kampen met ernstige beperkingen:

Lyapunov-gebaseerde methoden: Vaak gebaseerd op vaste templates (zoals kwadratische functies), wat leidt tot conservatieve onderbenaderingen, vooral bij toestandsbeperkingen en complexe geometrieën.
Grid-gebaseerde methoden: Computationeel duur, beperkt tot laag-dimensionale systemen en bieden geen formele garanties door discretisatiefouten.
Sum-of-Squares (SOS) optimalisatie: Beperkt tot systemen met polynoomrepresentaties.
Neuronale netwerken (NN): Hoewel flexibel, missen ze vaak formele certificering van de geschatte DOA, en standaard trainingsprocedures houden geen rekening met benaderingsfouten of onzekerheden.

Het doel van dit werk is het ontwikkelen van een framework voor het nauwkeurig schatten van veilige en robuuste DOA's voor discrete-tijd, niet-lineaire systemen met onzekerheden, zonder de strikte restricties van eerdere methoden (zoals lokale Lipschitz-continuïteit of polynoomstructuur).

2. Methodologie

De auteurs stellen een nieuw framework voor dat drie kerncomponenten integreert: theoretische set-gebaseerde waardefuncties, neurale netwerken voor approximatie, en formele verificatie.

A. Theoretische Karakterisering (Waardefuncties)

In plaats van traditionele Lyapunov-functies, definiëren de auteurs nieuwe waardefuncties ( $V$ en $W$ ) die gedefinieerd zijn op metrische ruimten van compacte verzamelingen (in plaats van alleen punten).

Uniforme $\ell_p$ -stabiliteit: De methode vereist dat de RIS uniform lokaal $\ell_p$ -stabiel is. Dit is een zeer algemene voorwaarde die exponentiële en polynoomstabiliteit omvat.
Bellman-type vergelijkingen: De waardefuncties voldoen aan specifieke functionele vergelijkingen (Zubov-type):
- $V(X) = \Psi(X) + V(F(X))$
- $W(X) = 1 - \exp(-V(X))$
  Hierbij is $F(X)$ de bereikbare set onder onzekerheid, en $\Psi$ een functie die de "straf" voor het verlaten van de veilige set of het niet convergeren naar de RIS kwantificeert.
Uniciteit: Het wordt bewezen dat deze waardefuncties de unieke oplossingen zijn van deze vergelijkingen onder bepaalde limietcondities. De sub-niveau sets van $W$ karakteriseren exact de veilige robuuste DOA.

B. Physics-Informed Neural Network (PINN) Framework

Om deze waardefuncties in hoge dimensies te benaderen, wordt een Physics-Informed Neural Network gebruikt.

Embedding: Omdat de waardefunctie werkt op verzamelingen (door de onzekerheid $F(\{x\})$ ), wordt een injectieve embedding $T$ gebruikt om verzamelingen (zoals hyper-rechthoeken of polytopen) af te beelden in een eindig-dimensionale vectorruimte ( $\mathbb{R}^L$ ).
Trainingsverlies: Het trainingsdoel is een gecombineerde loss-functie:
1. Data-driven: Minimiseer het verschil tussen de NN-uitvoer en een geschatte "ground truth" waardefunctie (gebaseerd op een eindige horizon benadering van de bereikbare sets).
2. Physics-informed: Minimiseer de residuen van de Bellman-type vergelijking (8) direct in het trainingsproces. Dit zorgt ervoor dat de NN de fundamentele dynamische eigenschappen van het systeem respecteert.

C. Certificeerbare Schatting en Verificatie

Een getraind NN is op zichzelf niet voldoende voor formele garanties. De auteurs introduceren een verificatieprocedure:

Initiële ROA: Start met een kleine, bekende veilige robuuste ROA (bijv. een ellipsoïde).
Verificatie van uitbreiding: Gebruik formele verificatietools (zoals $\alpha,\beta$ -CROWN of dReal) om te verifiëren of de NN-gebaseerde waardefunctie voldoet aan de voorwaarden voor invariance en convergentie binnen een groter gebied.
Optimalisatie: De parameters van de geschatte DOA (sub-niveau waarden) worden geoptimaliseerd zolang de formele verificatie slaagt, wat leidt tot een gegarandeerd veilige en robuuste ROA.

3. Belangrijkste Bijdragen

Nieuwe Theoretische Karakterisering: Introductie van waardefuncties op ruimten van compacte verzamelingen die exacte karakterisaties van veilige robuuste DOA's bieden voor discrete-tijd systemen met onzekerheden, zonder restricties op de structuur van de veilige set (behalve openheid).
Generaliteit: De methode vereist alleen continuïteit van de dynamica en uniforme $\ell_p$ -stabiliteit, wat breder is dan eerdere methoden die vaak lokale Lipschitz-continuïteit of polynoomvorm vereisten.
Integratie van Verificatie: Een uniek framework dat neurale netwerken combineert met formele verificatie voor het verkrijgen van certificeerbare DOA-schattingen, zelfs in aanwezigheid van onzekerheden.
Set-gebaseerde Benadering: Het gebruik van bereikbare-set benaderingen (via trajecten) maakt de evaluatie van de waardefuncties praktisch haalbaar voor niet-polynoom systemen.

4. Resultaten

De methode werd getest op vier numerieke voorbeelden, waaronder:

Een verstoord tweemachines-energiesysteem.
Een niet-lineair systeem met lokale polynoomstabiliteit.
Een stijve staaf met zwaartekracht en verzadigd koppel.
Een verstoord rationeel systeem.

Vergelijking:

De voorgestelde methode werd vergeleken met:
- Geoptimaliseerde ellipsoïdale ROA's.
- Neuronale netwerken getraind op nominale (onzekerheidsvrije) dynamica.
- Parameter-afhankelijke Lyapunov-functies (voor polynoomsystemen).
Scenario 1 (Geen onzekerheid): De nominale NN-methode presteerde goed, maar de voorgestelde methode was vergelijkbaar of iets beter.
Scenario 2 (Volledige onzekerheid): De voorgestelde methode leverde consequent de grootste certificeerbare DOA-schattingen op.
- De nominale NN-methode faalde bij het produceren van certificeerbare schattingen voor de meeste voorbeelden onder onzekerheid.
- De ellipsoïdale methoden waren robuust maar leverden aanzienlijk kleinere (conservatievere) gebieden op.
Berekeningskosten: De trainings- en verificatietijden waren vergelijkbaar met bestaande methoden, hoewel de evaluatie van de "ground truth" (via bereikbare sets) rekenintensief is.

5. Betekenis en Conclusie

Dit werk biedt een doorbraak in het schatten van veilige en robuuste aantrekkingsgebieden voor complexe, niet-lineaire systemen met onzekerheden. Door de combinatie van theoretisch solide waardefuncties, flexibele neurale netwerken en formele verificatie, overwint het framework de beperkingen van traditionele Lyapunov-methoden en grid-gebaseerde benaderingen.

De belangrijkste implicatie is dat ingenieurs nu grotere, minder conservatieve en wiskundig gegarandeerde veiligheidsgebieden kunnen definiëren voor kritieke systemen (zoals energienetwerken of robots) die blootstaan aan variabele storingen en onzekerheden, zelfs als het systeem niet-lineair is en geen polynoomstructuur heeft. Dit opent de deur voor veiligere en robuustere besturingsstrategieën in de praktijk.