Control no lineal verificablemente estable con redes ópticas difractivas aprendidas por refuerzo

Área de la Ciencia:

• Óptica y Fotónica
• Inteligencia Artificial
• Ingeniería de Sistemas de Control

Sus antecedentes:

• Las redes ópticas difractivas (DON) se destacan en tareas de IA como el reconocimiento de objetos.
• Su potencial para el control no lineal continuo y estable está en gran medida sin explorar.
• Las estrategias de control convencionales luchan con sistemas dinámicos no lineales complejos.

Objetivo del estudio:

• Introducir un marco novedoso para el control de estabilidad de sistemas dinámicos no lineales continuos utilizando DON.
• Integrar el aprendizaje por refuerzo con las condiciones de Lyapunov para garantizar la estabilidad en bucle cerrado.
• Abordar las limitaciones de los métodos existentes, como la deriva acumulativa de la clonación de comportamiento.

Principales métodos:

• Se desarrolló un marco de red óptica difractiva de aprendizaje por refuerzo con restricciones de Lyapunov (LC-RLDON).
• Se integró el aprendizaje por refuerzo con condiciones de Lyapunov diferenciables para la optimización de políticas.
• Se utilizó una DON pasiva y una capa lineal electrónica ligera para la inferencia de actores ópticos en tiempo real.

Principales resultados:

• LC-RLDON demostró un rendimiento superior en el control de péndulos invertidos rotatorios subactuados.
• Se logró un equilibrio estable en 2,8 segundos y la recuperación de perturbaciones en 2,1 segundos.
• Superó a la clonación de comportamiento, que falló consistentemente en lograr un control estable.

Conclusiones:

• Las DON pueden ofrecer control formalmente seguro en tiempo real para sistemas no lineales continuos.
• El marco LC-RLDON supera las limitaciones de los controladores anteriores basados en DON.
• Allana el camino para la implementación práctica en sistemas inteligentes de bajo consumo y alto rendimiento para robótica y vehículos autónomos.