⚡ electrical engineering

Neural Vector Lyapunov-Razumikhin Certificates for Delayed Interconnected Systems

Dit artikel introduceert een framework voor het synthetiseren en verifiëren van neurale vector Lyapunov-Razumikhin-certificaten om schaalbare input-to-state stabiliteit voor discrete-tijd vertraagde verweven systemen te garanderen, wat wordt gevalideerd op toepassingen zoals platoonbesturing, droneformaties en microgrids.

Oorspronkelijke auteurs: Jingyuan Zhou, Yuexuan Wang, Kaidi Yang

Gepubliceerd 2026-04-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jingyuan Zhou, Yuexuan Wang, Kaidi Yang

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

Titel: De "Onzichtbare Veiligheidsnet" voor Trage Netwerken

Stel je voor dat je een enorm orkest dirigeert. Je hebt honderden muzikanten (de systemen) die perfect op elkaar moeten inspelen. Maar er is een probleem: de muziek die ze horen, komt met een vertraging. De trompettist hoort de fluitist pas een seconde later, en de drummer reageert weer een fractie later op de trompet. In de echte wereld zijn dit bijvoorbeeld auto's in een file die via een trage internetverbinding met elkaar praten, of drones die hun positie met een klein vertraging doorgeven.

Als die vertraging te groot is of de communicatie te rommelig, kan het hele orkest uit elkaar vallen. De auto's botsen, de drones botsen, of het stroomnet crasht.

Dit paper, getiteld "Neural Vector Lyapunov–Razumikhin Certificates for Delayed Interconnected Systems", lost precies dit probleem op. Het is een nieuwe manier om te bewijzen dat zo'n trage, complexe groep veilig blijft werken, zelfs als we de exacte regels van de muziek niet helemaal kennen.

Hier is de uitleg in simpele taal:

1. Het Probleem: De "Black Box" en de Vertraging

Vroeger probeerden ingenieurs dit op te lossen met strenge wiskundige formules (zoals een strak partituur). Maar in de echte wereld is alles te complex en onvoorspelbaar. Dus gebruiken we nu Kunstmatige Intelligentie (AI) om de systemen te besturen.

Het probleem met AI is dat het een "Black Box" is. We weten niet precies hoe het AI-brein tot een beslissing komt; het doet het gewoon. Als je een AI gebruikt om een stroomnet of een vliegtuigvloot te sturen, is dat eng. Wat als de AI een fout maakt? Wat als de vertraging in de communicatie te groot wordt? We hebben geen garantie dat het veilig blijft.

2. De Oplossing: Een "Veiligheidsnet" (Het Certificaat)

De auteurs van dit paper hebben een slimme truc bedacht. In plaats van te proberen de AI te begrijpen, bouwen ze een digitaal veiligheidsnet om de AI heen. Ze noemen dit een "Neural Vector Lyapunov-Razumikhin Certificaat".

Laten we dit vergelijken met een veiligheidsnet onder een trapezeartiest:

De trapezeartiest is de AI die de systemen bestuurt.
Het veiligheidsnet is dit wiskundige bewijs.
Zelfs als de artiest een fout maakt of de wind (vertraging) te hard waait, zorgt het net ervoor dat niemand naar beneden valt.

Dit "net" is geen statisch object; het is een leerend netwerk dat meebeweegt met de AI. Het houdt de hele tijd in de gaten: "Zit alles nog binnen de veilige grenzen, rekening houdend met de vertraging?"

3. Hoe werkt het? (De Drie Slimme Stappen)

Stap 1: De "Snelheidscheck" (sISS)
In de wiskunde noemen ze dit Scalable Input-to-State Stability. Klinkt ingewikkeld, maar het betekent simpelweg: "Hoe groter het orkest wordt (meer auto's, meer drones), hoe minder het systeem instabiel wordt."
De auteurs hebben bewezen dat hun veiligheidsnet werkt, ongeacht of je 10 of 10.000 systemen hebt. Het net groeit mee met het probleem.

Stap 2: Het "Twee-Stappen" Controlesysteem
Omdat het controleren van duizenden systemen tegelijk te veel rekenkracht kost, hebben ze een slimme strategie bedacht:

Stap 1 (Ver weg): Als de systemen ver van de veilige zone zijn, kijken ze alleen of ze niet te hard weglopen. Ze gebruiken hier een snelle, ruwe schatting.
Stap 2 (Dichtbij): Als ze dicht bij de veilige zone komen, kijken ze heel precies of ze er niet uitvallen.
Dit bespaart enorm veel tijd, net als een bewakingscamera die alleen scherp focust als iemand de deur nadert, en anders alleen in de gaten houdt of er niemand is.

Stap 3: Hergebruik (De "Bouwstenen")
Als je een veiligheidsnet hebt gebouwd voor een groep van 10 auto's, en je hebt een groep van 50 auto's die precies hetzelfde doen, hoef je het niet opnieuw te bouwen. Je kunt het bewijs voor de kleine groep "hergebruiken" voor de grote groep. Dit maakt het systeem extreem snel en schaalbaar.

4. De Test: Auto's, Drones en Stroom

De auteurs hebben hun idee getest in drie echte scenario's:

Auto-konvooien: Een rij auto's die op elkaar rijden. Zelfs als de communicatie vertraagd is, blijven ze veilig op afstand.
Drone-vloot: Een groep drones die in formatie vliegt. Zelfs met trage signalen botsen ze niet.
Stroomnetten: Een netwerk van stroomomvormers. Zelfs als er storingen zijn, blijft het licht branden.

In al deze tests bleek hun methode sneller te zijn in het bewijzen van veiligheid dan oude methoden, en beter in het voorkomen van ongelukken dan standaard AI-methoden.

Samenvatting

Dit paper is als het vinden van de perfecte veiligheidsformule voor een trage, complexe wereld. Het laat zien dat je AI kunt gebruiken om grote systemen te besturen, zonder bang te hoeven zijn dat ze uit de hand lopen door vertragingen. Ze hebben een "onbreekbaar bewijs" bedacht dat meegroeit met het systeem, zodat we veilig kunnen vertrouwen op slimme technologie, zelfs als die niet perfect snel communiceert.

Kortom: Ze hebben een onzichtbaar, leerzaam veiligheidsnet gebouwd dat garandeert dat, zelfs als de boodschappen traag zijn, het orkest nooit uit elkaar valt.

Titel

Neurale Vector Lyapunov-Razumikhin Certificaten voor Vertragingen in Gekoppelde Systemen

1. Probleemstelling

Grootschalige, onderling gekoppelde systemen (zoals intelligente vervoerssystemen, robotzwermen en slimme netwerken) worden steeds complexer en zijn vaak afhankelijk van communicatie tussen agents. Een kritieke uitdaging bij het besturen van deze systemen is het garanderen van stabiliteit, vooral wanneer er communicatievertragingen (delays) optreden door sensoren, berekeningen en netwerkrouting.

Huidige beperkingen:
- Modelgebaseerde methoden: Vereisen vaak nauwkeurige dynamische modellen, wat in de praktijk moeilijk is vanwege onzekerheden en onbekende dynamica.
- Leer-gebaseerde methoden (Neurale Netwerken): Bieden sterke empirische prestaties en kunnen onbekende dynamica hanteren, maar hun "black-box"-aard maakt het moeilijk om formele stabiliteitsgaranties te geven. Bestaande neurale certificaten zijn vaak niet schaalbaar voor grote systemen met vertragingen of vereisen restrictieve aannames (zoals interne positiviteit).
Doel: Het ontwikkelen van een schaalbaar framework dat neurale controllers kan synthetiseren en formele stabiliteitsgaranties kan verifiëren voor discrete tijd, onderworpen aan vertragingen en externe verstoringen, zonder dat een exact dynamisch model bekend is.

2. Methodologie

De auteurs stellen een framework voor dat neurale certificaten combineert met de theorie van Lyapunov-Razumikhin-functies voor systemen met vertraging.

A. Theoretische Basis: Discrete-tijd sISS

Het artikel introduceert een voldoende voorwaarde voor schaalbare Input-to-State Stabiliteit (sISS) voor systemen met vertraging.

In plaats van één globale Lyapunov-functie, gebruiken ze een vector van lokale Lyapunov-functies $\{V_i\}$ , één voor elke agent.
Ze passen een Razumikhin-type conditie toe. Dit betekent dat de afname van de Lyapunov-functie van een agent $i$ wordt gegarandeerd, mits de waarden van de Lyapunov-functies van zijn buren (in het verleden, binnen de vertraging $\tau$ ) niet te groot zijn ten opzichte van de huidige waarde van agent $i$ .
Een kleine-gain conditie (small-gain condition) wordt opgelegd aan de koppelingscoëfficiënten $\gamma_{i,j}$ om te garanderen dat de stabiliteit niet degradeert naarmate het netwerk groter wordt (onafhankelijk van de netwerkgrootte $N$ ).

B. Synthese en Verificatie Framework

Het framework bestaat uit twee hoofdfasen:

Synthese (Leren):
- Er wordt een neurale controller en een set neurale Lyapunov-functies gezamenlijk getraind.
- Het trainingsverlies bestaat uit termen die de Lyapunov-grenzen (Class-K $\infty$ ), de Razumikhin-conditie en de koppelingsmatrix (die de small-gain conditie respecteert) afdwingen.
- Het gebruikte algoritme is een Counterexample-Guided Inductive Synthesis (CEGIS) lus: als de verificatie faalt, worden de mislukte voorbeelden (counterexamples) toegevoegd aan de trainingsset om het certificaat te verfijnen.
Verificatie (Bewijzen):
- Directe verificatie over de volledige toestandsruimte is ondoenlijk. Het framework gebruikt een tweestapsstrategie op bereikbaarheids-beperkte vertragingdomeinen:
  - Stap 1 (Buiten): Verificatie van de Razumikhin-conditie op trajecten die bereikbaar zijn vanuit een startset, maar buiten een bepaald niveau-oppervlak liggen.
  - Stap 2 (Binnen): Verificatie van een onvoorwaardelijke contractie binnen een gedefinieerd niveau-oppervlak (waar het systeem stabiel moet blijven).
- Schaalbaarheid: Door gebruik te maken van structurele equivalentie (isomorfisme tussen substructuren of identieke agents), kunnen certificaten die voor één agent of een klein sub-systeem zijn gevonden, worden hergebruikt voor andere identieke delen van het grote netwerk. Dit reduceert de verificatiecomplexiteit drastisch.

3. Belangrijkste Bijdragen

Theoretische Voorwaarde: Het opstellen van een voldoende voorwaarde voor discrete-tijd sISS voor vertraagde, onderling gekoppelde systemen via vector Lyapunov-Razumikhin functies. Dit maakt formele certificering mogelijk voor systemen met onbekende dynamica en vertragingen.
Schaalbaar Framework: Een synthese- en verificatiepijplijn die neurale certificaten leert en verifieert op domeinen die beperkt zijn tot bereikbare trajecten. Het introduceert een methode om certificaten te hergebruiken bij structureel equivalente systemen, wat de verificatie-efficiëntie voor grote schaal aanzienlijk verbetert.
Empirische Validatie: Toepassing en validatie op drie diverse scenario's:
- Gemengde-autonomie konvooien (voertuigen).
- Drone-formaties.
- Microgrids (stroomnetwerken).
  De resultaten tonen aan dat het framework sneller verifieert dan bestaande methoden en vergelijkbare of betere besturingsprestaties levert.

4. Resultaten

De experimenten werden uitgevoerd op systemen met variërende aantallen agents (van 6 tot 50) en verschillende vertragingen ( $\tau_{max} = 1$ en $5$).

Verificatie-efficiëntie:
- De voorgestelde methode ("Ours") is de enige die consistent binnen de tijdslimiet (5 uur) slaagt voor alle scenario's, zelfs bij $N=50$ .
- Methoden die alleen gebruikmaken van bereikbaarheidsreductie ("Reachability only") faalden bij grotere schalen ( $N=50$ ) of waren aanzienlijk trager.
- Methoden zonder bereikbaarheidsreductie of schaalbaarheid ("Direct" en "Scalability only") liepen in alle gevallen uit op een time-out.
- De runtime van de voorgestelde methode blijft stabiel naarmate $N$ groeit, wat aantoont dat de kosten worden gedomineerd door lokale subproblemen in plaats van de globale systeemgrootte.
Besturingsprestatie (RMSE):
- De methode presteerde consistent beter dan of gelijk aan bestaande benchmarks (zoals Predictor Feedback, Compositional ISS en sISS zonder vertraging) in termen van Root Mean Square Error (RMSE) bij het volgen van trajecten onder sinusvormige en initiële verstoringen.
- Bijvoorbeeld, in het platoon-scenario reduceerde de methode de RMSE met tot 22,86% ten opzichte van de predictor-feedback baseline.
- De trajectvisualisaties tonen dat de snelheden en posities convergeren naar de gewenste waarden, wat de stabiliteit bevestigt.

5. Betekenis en Impact

Dit werk vult een cruciale lacune in de controletheorie en het veiligheidskritieke machine learning veld:

Formele Garantieën voor Leer-gebaseerde Systemen: Het biedt een manier om "black-box" neurale controllers voor complexe, vertraagde systemen formeel te verifiëren, wat essentieel is voor de inzet in veiligheidskritieke toepassingen zoals autonoom rijden en energienetwerken.
Schaalbaarheid: Door het probleem te decomponeren via vector Lyapunov-functies en structurele hergebruik, maakt het de verificatie mogelijk voor systemen die te groot zijn voor traditionele methoden.
Robuustheid: Het framework is ontworpen om om te gaan met onzekerheden, externe verstoringen en communicatievertragingen, wat het zeer relevant maakt voor real-world cyber-fysische systemen.

Kortom, de auteurs presenteren een robuust, schaalbaar en theoretisch onderbouwd kader dat de weg vrijmaakt voor het veilig gebruik van geavanceerde, leer-gebaseerde besturingssystemen in realistische, vertraagde netwerkomgevingen.