编辑推荐：
神经网络已成为现代工程与人工智能（Artificial Intelligence, AI）中最重要的技术之一，在众多应用中实现突破。在该博士研究中，研究人员探讨如何通过利用系统与控制理论（systems and control theory）工具开发鲁棒性保证
神经网络已成为现代工程与人工智能（Artificial Intelligence, AI）中最重要的技术之一，在众多应用中实现突破。在该博士研究中，研究人员探讨如何通过利用系统与控制理论（systems and control theory）工具开发鲁棒性保证，使神经网络作为独立学习模型以及工程与控制系统中的组件均更加鲁棒和可靠。神经网络是高度表达性模型，可捕捉复杂非线性关系，这使其在感知（perception）、系统辨识（system identification）和控制（control）中具有吸引力。与此同时，这种表达性使其难以分析；小输入扰动有时可能导致输出发生不成比例的大变化。形式化这种敏感性的核心量是Lipschitz常数（Lipschitz constant）。在该论文中，研究人员研究了如何计算神经网络Lipschitz常数的认证上界（certified upper bounds），以及如何训练具有指定Lipschitz界（prescribed Lipschitz bounds）的网络。这些结果使通过设计控制神经网络的输入–输出敏感性（input–output sensitivity）成为可能。此外，研究人员考察了与神经网络组件互连的线性动力系统（linear dynamical systems）的稳定性性质。总体而言，该博士论文为神经网络开发了分析与综合方法（analysis and synthesis methods），这些方法不仅准确且具有表达性，还带有形式化鲁棒性和稳定性保证（formal robustness and stability guarantees）。
论文解读文章：面向鲁棒与可靠神经网络的Lipschitz界与稳定性分析综合
一、研究背景、问题与动因
神经网络已成为现代工程和人工智能（AI）中最显著的技术之一，并在无数应用中实现突破。Patricia Pauli在其博士论文中关注的问题是：如何利用系统与控制理论工具开发鲁棒性保证，使神经网络作为独立学习模型以及工程与控制系统中的组件都更加鲁棒和可靠。神经网络具有高度表达性，能够捕捉复杂非线性关系，因而在感知、系统辨识和控制中具有吸引力。然而，这种表达性也使其难以分析；输入的小扰动有时会导致输出发生不成比例的大变化。形式化这种敏感性的核心量是Lipschitz常数。因此，研究人员研究如何计算神经网络Lipschitz常数的认证上界，以及如何训练具有指定Lipschitz界的网络，从而通过设计控制神经网络的输入–输出敏感性。此外，研究人员还考察与神经网络组件互连的线性动力系统的稳定性性质。
该研究的意义在于，它是利用鲁棒控制工具设计具有固有鲁棒性神经网络的早期贡献之一。控制领域对神经网络仍持较批判态度，原因之一是其透明度有限，这阻碍了其在安全关键应用中的使用，因为神经控制器可能在未见环境中灾难性失败。若神经网络要在控制系统中可靠使用，它们不仅需要强大和可适应，还必须安全、鲁棒和可解释。经典控制方法提供严格的分析与综合工具，但通常缺乏适应性，且难以处理现代大规模系统的复杂性。该论文尝试结合两者的优势：神经网络的表达性与灵活性，以及控制理论中的数学上可靠的保证。研究人员希望这些贡献有助于使基于AI的控制系统在安全相关领域，如移动出行、医疗保健、高科技系统和机器人技术中更安全、更可靠，并促进控制工程中对基于AI方法的更大信任。
二、研究内容与结论
研究人员研究了计算神经网络Lipschitz常数认证上界的方法，以及训练具有指定Lipschitz界网络的方法；这些结果使通过设计控制神经网络的输入–输出敏感性成为可能。研究人员还研究了线性动力系统与神经网络组件互连时的稳定性性质。总体上，该博士论文为神经网络开发了分析与综合方法，使神经网络不仅准确且具有表达性，还带有形式化鲁棒性和稳定性保证。
三、主要关键技术方法
该研究基于系统与控制理论、鲁棒控制、半定规划（semidefinite programming）和Lipschitz常数估计框架；构建分析与训练框架，训练具有指定Lipschitz界的鲁棒神经网络，并扩展到一般卷积神经网络（convolutional neural networks）。闭环部分研究线性时不变系统（linear time-invariant systems）与神经组件反馈，探索动态积分二次约束（dynamic integral quadratic constraints）以及非因果Zames-Falb乘子（acausal Zames-Falb multipliers），并采用耗散层（dissipative layers）的LipKernel实现Lipschitz有界卷积神经网络。相关研究访问与合作来源包括UC Berkeley、MIT和University of Sydney；原文未涉及样本队列来源。
四、主要研究结果
Q. How would you pitch your Ph.D. dissertation in one paragraph?
研究人员指出，神经网络是现代工程和AI中最重要技术之一；博士工作研究如何利用系统与控制理论使神经网络更鲁棒可靠，既作为独立学习模型，也作为工程与控制系统组件。核心量是Lipschitz常数；论文研究其认证上界和指定Lipschitz界训练，并研究线性动力系统与神经网络组件的稳定性。总体开发出使神经网络准确、表达且具形式化鲁棒性和稳定性保证的分析与综合方法。
Q. How would you describe the significance and relevance of your results?
该论文是用鲁棒控制工具设计固有鲁棒性神经网络的早期贡献。控制领域对神经网络的透明度有限存疑，影响安全关键应用；神经控制器在未见环境中可能灾难性失败。可靠控制系统要求神经网络强大、可适应、安全、鲁棒和可解释。经典控制有严格工具但缺乏适应性且难处理大规模系统复杂性；该研究结合神经网络表达性与控制理论数学保证，并希望提升基于AI控制的安全性和可靠性。
Q. How would you summarize the experience of your Ph.D.?
博士经历在科学和个人层面都紧张而有回报。Patricia Pauli从控制理论与机器学习交叉处开始，背景与许多同行不同；她在Darmstadt硕士阶段及UC Berkeley和MIT研究访问中遇到优秀教师和导师，但控制工程背景不如Stuttgart学生强。她将其视为优势。经历包括压力、冒名顶替感，也有信心、喜悦和骄傲；困难阶段包括进展慢或论文被拒，也有激动结果和会议。她学习了研究、教学、监督及学术组织行政任务，最喜欢研究与指导相关论文项目。
Q. Can you highlight a moment of light or a particular good memory during the course of your Ph.D.?
整体亮点是Institute for Systems Theory and Automatic Control的支持性氛围以及身边聪明、善良和热情的人。她珍视在Stuttgart建立的友谊。特别美好的记忆是University of Sydney的研究访问，由Ian Manchester接待，与Ian Manchester和Ray Wang合作，生产力很高，团队热情，并建立友谊。
Q. Can you describe a moment of frustration or discouragement during the course of your Ph.D. and how you overcame the challenge?
挫折包括想法失败、数值问题和耗时超预期。开始阶段尤其挑战：寻找主题、大量阅读、逐渐理解领域，但尚不足以识别有前景方向。帮助来自与博士生讨论论文和想法，并逐渐认识到不确定和暂时停滞是研究常态。导师Frank Allg?wer给予自由和信任，虽有时具挑战，但使她找到真正关心的主题并建立科学判断信心。她学会相信自己的想法。
Q. Can you highlight some key references or articles that inspired your research?
关键参考是Lipschitz常数估计文章，通过Manfred Morari在L
4DC 2019会议报告得知；该文章用鲁棒控制和半定规划估计神经网络Lipschitz常数，强烈影响论文方向。她不仅用于分析鲁棒性，也用于训练具有指定Lipschitz界的鲁棒神经网络，后扩展到一般卷积神经网络。第二个重要参考是神经网络控制器稳定性分析文章，启发闭环部分；她研究线性时不变系统与神经组件反馈，探索动态积分二次约束，并重新审视绝对稳定性理论。该工作表明经典概念如绝对稳定性对基于AI控制系统仍高度相关。
Q. What would you do differently if you were to start your Ph.D. again?
她对主要选择满意，喜欢博士主题、团队和指导风格，认为挑战是过程的重要部分。不同之处是更早相信自己，减少不必要怀疑，尤其在进展慢、技术难题和与他人比较时；也会更早设边界，避免承担过多任务。总体上不会选择不同路径，但会以更多信心、自我耐心和清晰边界来面对。
Q. Can you highlight a most promising topic or area of research for a new Ph.D. student in control?
机器学习和控制交叉，尤其安全AI基控制，仍有大量探索空间，兼具丰富理论挑战和现实相关性。该领域活跃且竞争激烈，但充满动力、开放问题和实际影响潜力。尽管已有关于神经网络固有性质、结构、鲁棒性和稳定性保证的理论贡献，仿真到现实（sim-to-real）差距仍大；许多方法在理论或仿真中有效，但可靠转移到真实工程系统仍是重大挑战。TU/e提供良好环境，许多研究人员研究真实工程系统和应用，可启发基础研究问题以弥合理论与实践差距。
Q. What would be your main advice to a prospective Ph.D. student in control?
保持好奇、持续质疑并相信自己。控制方向博士可能具挑战，进展慢或走出舒适区时，应保持冷静、自我耐心并给问题时间。提问、求助并记住并非孤立。研究人员认为研究最好作为团队和更广泛科学社区的一部分；控制理论可对气候变化、自动化到负责任使用AI等重大社会技术挑战作出贡献，合作与开放至关重要。她还提到博士期间参与COVID-19大流行预测控制项目。最后建议为家庭、朋友和爱好留出时间，保持平衡并享受旅程。
Q. Thank you for your comments.
Patricia Pauli感谢允许分享其博士旅程。
五、讨论与结论
讨论部分指出，机器学习与控制交叉，尤其安全AI基控制，仍有大量探索空间；该领域具丰富理论挑战和现实相关性，且竞争激烈但充满动力。尽管已有关于神经网络固有性质、结构、鲁棒性和稳定性保证的理论贡献，仿真到现实差距仍然很大；许多方法在理论或仿真中有效，但可靠转移到真实工程系统仍是重大挑战。TU/e提供优秀环境，许多研究人员研究真实工程系统和应用，这些应用可启发基础研究问题，帮助弥合理论与实践差距。
研究结论翻译：总体而言，该博士论文为神经网络开发了分析与综合方法，这些方法不仅准确且具有表达性，还带有形式化鲁棒性和稳定性保证。研究人员希望这些贡献有助于使基于AI的控制系统在安全相关领域，如移动出行、医疗保健、高科技系统和机器人技术中更安全、更可靠，并促进控制工程中对基于AI方法的更大信任。
