【阅读笔记】Automated and Formal Synthesis of Neural Barrier Certificates for Dynamical Models

论文链接
J. F. Groote and K. G. Larsen (Eds.)

introduction

我们介绍了一种自动化的、正式的、基于反例的方法来综合屏障证书(BC)，用于连续和混合动力学模型的安全验证。这种方法正在进行中 由归纳框架设计：这是一个学习者之间的顺序循环，一个学习者操作一个神经网络的候选BC和一个好的验证器，它可以证明候选人的有效性或生成反例来进一步指导学习者。我们比较了该方法与最先进的技术，在多项式和非多项式动力学模型： 结果表明，我们可以更快地合成声音bc，特别是在验证引擎上的显著加速（减少三个数量级），同时需要很远的s 学习部分的汇总数据集（最多可减少三个订单）。除了对技术的改进，我们进一步挑战了混合动力学模型和高维模型，并展示了我们的算法和代码的数值鲁棒性。
本文的研究探讨了一般用非线性常微分方程(ODE)建模的动力系统的安全性，并提出了一种自动和形式合成BC的新方法。他的方法利用可满足性模块理论(SMT)和归纳推理(CEGIS，图1，稍后介绍)，以保证自动化合成过程的正确性：这就排除了与BC合成相关的算法和数值误差。

Safety Analysis with Barrier Certificates

n维动力模型：X是系统状态空间，X0是初始区域，Xu是不安全区域

李导数：f是向量场

安全的障碍函数：给定n维动力模型，B是可微的。初始区域的bx小于0，不安全区域bx>0，而最后一个条件又保证了bx是递减的，所以从x0出发的所有轨迹，只要满足bx，就一定不会进入非安全区域。

Synthesis of Neural Barrier Certificates via Learning and Verification

Training of the Barrier Neural Network

损失函数：$\tau$ 表示偏移量，用以增加训练的数值稳定性。
<