Maskininlärning hand i hand med kontrollteori

Moderna reglersystem förlitar sig i allt högre grad på maskininlärning för att fungera i komplexa, osäkra och högdimensionella miljöer. Samtidigt erbjuder reglerteori kraftfulla verktyg för att förstå och förbättra själva inlärningsalgoritmerna. Denna docentföreläsning presenterar mitt forskningsområde i skärningspunkten mellan dessa två kompletterande riktningar och betonar den centrala rollen som kontinuerliga tidsmodeller spelar.

Jag börjar med en allmän introduktion till vetenskaplig maskininlärning och dess användning inom reglering, där kontinuerliga dynamiska system utgör en ram för att identifiera, analysera, observera och i slutändan styra verkliga processer. Jag visar hur inlärningsbaserade metoder kan stärka klassiska reglertekniska verktyg — från att lära Lyapunov-funktioner för stabilitetsanalys, till datadriven observatörsdesign och strukturanpassad systemidentifiering som möjliggör modellbaserad reglering i realtid.

Därefter vänder jag kort till reglering för maskininlärning och demonstrerar hur idéer från dynamiska system och återkopplingsteori kan bidra till utvecklingen av mer effektiva träningsalgoritmer. Genom att betrakta optimering och inlärning som kontrollerade kontinuerliga flöden får vi nya möjligheter att förbättra stabilitet, robusthet, konvergens och långsiktigt beteende hos moderna inlärningsmodeller.

Tillsammans belyser dessa två perspektiv ett ömsesidigt utbyte där inlärning berikar reglertekniken och reglertekniken i sin tur berikar inlärningen. Genom att förena garantier från reglerteori med maskininlärningens flexibilitet syftar denna forskning till att skapa tillförlitliga, tolkningsbara och högpresterande modeller för komplexa dynamiska system.