شهد مجال الذكاء الاصطناعي تقدمًا ملحوظًا في تطبيقاته، خاصة في تأمين الأنظمة الديناميكية. ومن بين أبرز الابتكارات، جاءت فكرة الشهادات الحاجزة (Barrier Certificates)، وهي وظائف عددية تعمل على فصل الحالات غير الآمنة عن الحالات القابلة للوصول في الفضاء الخاص بالأنظمة الديناميكية. توفر هذه الشهادات طريقة رسمية للتحقق من سلامة الأنظمة، وتشكل خطوة حيوية نحو التصميم الفعال للأنظمة المعقدة.

لقد عانت الطرق التقليدية لتوليد الشهادات الحاجزة من القيود، حيث كانت تعتمد على تدريب الشبكات العصبية تدريجيًا مع الحاجة إلى التحقق في كل خطوة. لكننا نقدّم الآن نهجًا جديدًا يحسن من هذه العمليات. باستخدام ما يُعرف بالتدريب المستند إلى المجموعات، ندمج عملية التحقق بشكل وثيق مع التدريب، مما يجعلها أكثر كفاءة.

تعتمد هذه المقاربة على وظيفة خسارة مستندة إلى المجموعات (Set-based Loss Function)، التي تأخذ في الاعتبار جميع خصائص الشهادات الحاجزة. ومن خلال تحقيق خسارة صفرية، يمكن إثبات صحة الشهادة الحاجزة على الفور، مما يختصر الحاجة إلى العمليات التكرارية التقليدية.

تشير تجاربنا إلى أن هذا النهج يؤمن أداءً جيدًا حتى مع زيادة أبعاد الأنظمة ويساهم بشكل طبيعي في التعامل مع الديناميات غير الخطية المعقدة. هذه الخطوة الثورية ليست مجرد بتر من محاولات سابقة، بل تمثل خطوة نحو الأمام في ضمان سلامة الأنظمة الديناميكية باستخدام الذكاء الاصطناعي بشكل أكثر كفاءة.