Resumo Técnico: Abdução Causal Hierárquica para Controle Preditivo de Modelo Explicável

1. Declaração do Problema

O Controle Preditivo de Modelo (MPC) é um padrão para a operação de infraestruturas críticas para a segurança (por exemplo, usinas químicas, sistemas de aquecimento, ventilação e ar condicionado, estufas) devido à sua capacidade de otimizar ações de controle ao longo de horizontes futuros, respeitando restrições. No entanto, a natureza preditiva do MPC cria uma lacuna significativa de explicabilidade. Ao contrário de controladores reativos que respondem a estados atuais, as decisões do MPC são frequentemente impulsionadas pela causalidade temporal: ações são tomadas hoje para prevenir violações futuras de restrições antecipadas com base em previsões.

Métodos padrão de Inteligência Artificial Explicável (XAI), como LIME e SHAP, são projetados para atribuição de características estática e instantânea. Eles falham em capturar o raciocínio temporal e a lógica contrafactual ("O que aconteceria se não agíssemos?") inerentes ao MPC. Consequentemente, operadores humanos frequentemente consideram as manobras de controle do MPC opacas, minando a confiança e dificultando a implantação em domínios críticos. Abordagens existentes tratam o controlador como uma caixa preta (ignorando a lógica de otimização) ou dependem de ferramentas matemáticas (como multiplicadores KKT) que são difíceis de interpretar fisicamente pelos operadores.

2. Metodologia: Abdução Causal Hierárquica (HCA)

O artigo propõe a Abdução Causal Hierárquica (HCA), um framework que sintetiza três fontes distintas de evidência para gerar explicações fiéis e interpretáveis por humanos para decisões de MPC não linear. A HCA opera sob a premissa de que o problema de otimização e as restrições são acessíveis.

2.1. Três Fontes de Evidência

1. Raciocínio Informado por Física (Grafos de Conhecimento):

   • Um grafo de conhecimento específico do domínio ($G_{KG}$) codifica relações físicas entre variáveis do sistema (estados, atuadores, perturbações) e restrições.
   • As arestas são rotuladas com sinais ($+$ ou $-$) indicando a direção da influência (por exemplo, aumento da radiação solar $\rightarrow$ aumento da temperatura).
   • A HCA percorre este grafo bidirecionalmente para construir cadeias causais fisicamente plausíveis, ligando restrições ativas de volta às causas raiz (perturbações) ou adiante para efeitos previstos.

2. Análise Baseada em Otimização (Multiplicadores KKT):

   • A HCA utiliza multiplicadores Karush–Kuhn–Tucker (KKT) ($\lambda_i$) retornados pelo solucionador NLP.
   • Multiplicadores não nulos indicam restrições ativas. A magnitude de $\lambda_i$ reflete a sensibilidade do custo ótimo ao limite da restrição.
   • Para sistemas com restrições rígidas, limiares identificam restrições ativas. Para sistemas com restrições flexíveis (onde penalidades são usadas em vez de limites rígidos), a HCA emprega análise contrafactual: simula a remoção de uma restrição para verificar se uma violação ocorreria, confirmando assim a necessidade causal.

3. Descoberta Causal Temporal (PCMCI):

   • O algoritmo PCMCI analisa dados históricos de séries temporais para descobrir dependências causais não lineares com atraso entre perturbações e ações de controle.
   • Isso fornece uma validação orientada por dados de se as ações atuais estão alinhadas com padrões temporais aprendidos (por exemplo, um atraso de 2 horas entre uma queda na temperatura externa e a ativação do aquecimento).

2.2. Classificação e Síntese de Hipóteses

A HCA emprega um mecanismo de classificação hierárquica para priorizar explicações candidatas com base na estrutura de decisão do MPC:

1. Segurança: Uma restrição está ativa? (Maior prioridade)
2. Otimização: Alternativas mais baratas são inviáveis?
3. Previsão: A ação previne uma violação futura?
4. Economia: A ação maximiza o benefício?
5. História: A ação está alinhada com padrões causais históricos?

O framework avalia as hipóteses nesta ordem. A primeira hipótese apoiada por evidências (via KKT, contrafactuais ou PCMCI) torna-se a explicação primária. Finalmente, um Modelo de Linguagem de Grande Porte (LLM) sintetiza as evidências estruturadas (multiplicadores, travessia de grafo, padrões causais) em linguagem natural. O LLM atua como um gerador de narrativa, não como um raciocinador causal; a lógica causal é derivada estritamente das evidências estruturadas.

3. Contribuições Principais

1. Framework Unificado: Introdução da HCA, o primeiro framework a integrar raciocínio informado por física, rigor de otimização (KKT) e descoberta causal temporal especificamente para sistemas de controle preditivo com formulações de otimização acessíveis.
2. Validação Empírica: Validação em três domínios diversos:
   • Controle climático de estufas (dinâmicas biológicas/ambientais).
   • HVAC de edifícios (otimização econômica sob precificação por horário de uso).
   • Processo Tennessee Eastman (TEP) (engenharia química crítica para segurança).
3. Estudos de Ablação: Demonstração de que todas as três fontes de evidência são essenciais. A remoção de qualquer componente único resulta em uma degradação de 32–37% na precisão da explicação.
4. Generalizabilidade Transversal: O framework alcança alto desempenho usando um único conjunto de hiperparâmetros entre domínios, exigindo apenas calibração específica do domínio mínima (2–3 dias) para ajuste de limiares.

4. Resultados Experimentais

O estudo avaliou a HCA contra baselines incluindo LIME, SHAP, Controle Ótimo Inverso (IOC), sistemas baseados em regras e baselines neurais (LSTM+Attention, RETAIN).

• Precisão (Corretude da Resposta - AC): A HCA alcançou uma AC de 0,478 no conjunto de dados de estufa, representando uma melhoria de 53% sobre o LIME (0,311) e superando outras baselines.
• Desempenho Transversal: Usando parâmetros calibrados em dados de estufa, a HCA alcançou pontuações AC de 0,394 (HVAC de edifícios) e 0,406 (TEP) sem reajuste por domínio.
• Impacto da Calibração: Embora o desempenho transversal seja robusto, a calibração específica do domínio dos limiares KKT ao longo de 2–3 dias aumentou ainda mais a precisão para aproximadamente 0,88, demonstrando o potencial do framework para implantação de alto risco.
• Fidelidade vs. Corretude: O artigo nota um compromisso deliberado: a HCA prioriza a Corretude da Resposta (identificar mecanismos causais verdadeiros, incluindo estados futuros) sobre a Fidelidade (reproduzir observações instantâneas). Consequentemente, a HCA pode mostrar pontuações de fidelidade mais baixas do que métodos baseados em modelos, pois explica ações com base em violações futuras previstas em vez de leituras atuais de sensores.
• Robustez: O sistema tolera até 30% de remoção de arestas no grafo de conhecimento e variações moderadas de parâmetros com perda mínima de desempenho (degradação de AC <12,5%).

5. Significado e Alegações

O artigo posiciona a HCA como um framework fundamental para MPC explicável, preenchendo a lacuna entre a teoria de controle e a interpretabilidade humana.

• Solidez Arquitetônica: Os resultados sugerem que a integração tri-modal central (Física + Otimização + Causalidade) é arquitetonicamente sólida. A lacuna entre o desempenho transversal (AC $\approx$ 0,48) e o desempenho calibrado (AC $\approx$ 0,88) é atribuída à generalização de limiares e não a falhas fundamentais de design.
• Implantabilidade Prática: O framework permite um caminho de implantação onde os sistemas podem operar inicialmente com parâmetros transferíveis para suporte à decisão, seguidos por calibração rápida para aplicações de alto risco.
• Além de Aproximações de Caixa Preta: Ao contrário de métodos que tratam controladores como caixas pretas, a HCA aproveita a estrutura matemática interna (condições KKT) e a física do domínio para fornecer explicações auditáveis e transparentes.
• Limitações: Os autores reconhecem que a HCA requer acesso ao problema de otimização e restrições, limitando sua aplicabilidade imediata a aprendizado por reforço sem modelo ou controladores aprendidos de caixa preta. Além disso, a construção de grafos de conhecimento atualmente requer curadoria especializada (1–2 semanas por domínio), embora a extração semi-automatizada mostre promessas.

Em conclusão, o artigo argumenta que a explicabilidade para controladores baseados em otimização é alcançável não através de aproximações de caixa preta, mas através da integração principista de estruturas matemáticas, física do domínio e descoberta causal temporal.