수축과 구간 분석을 이용한 인증 신경망 제어기 학습

본 논문은 딥러닝 기반 제어기의 표현력과 전통적인 제어 설계의 안전성을 결합하려는 최신 연구 흐름에 기여한다. 저자들은 비선형 시스템 \dot{x}=f_{ol}(t,x,u) 에 대해, 피드백 정책 π(x)와 리만 계량 M(x)=Θ(x)ᵀΘ(x) 을 동시에 학습하면서, 폐루프 시스템 \dot{x}=f_{ol}(t,x,π(x)) 이 전역적으로 수축(contraction)함을 형식적으로 보증하는 프레임워크를 제시한다. 핵심 아이디어는 기존의 대칭형 라미아니안 S(t,x)⪯0 조건을 직접 바운드 전파에 적용하면 변수 복제에 따른 의존성 손실이 크게 발생한다는 점이다. 이를 해결하기 위해 저자들은 비대칭 수축 행렬 G(t,x) 을 정의한다. G 은 Θ 와 ∂fπ/∂x 의 곱셈 순서를 바꾸어, 로그노름 μ₂(G) 이 S 의 반대칭 부분과 정확히 2배 관계에 있게 만든다. 비대칭 형태는 바운드 전파 시 Θ·∂fπ·Θ 와 Θ·∂fπ·Θ  사이의 상호작용을 그대로 보존하므로, 구간 해석 시 과도한 보수성을 피할 수 있다. 구간 해석 단계에서는 입력 구간 X⊂ℝⁿ 에 대해 G 의 구간 hull