Modelos Cualitativos Sesión 10 Eduardo Morales / L. Enrique Sucar Sesión 10 Eduardo Morales / L. Enrique Sucar Fundamentos de Inteligencia Artificial.

Presentación del tema: "Modelos Cualitativos Sesión 10 Eduardo Morales / L. Enrique Sucar Sesión 10 Eduardo Morales / L. Enrique Sucar Fundamentos de Inteligencia Artificial."— Transcripción de la presentación:

1 Modelos Cualitativos Sesión 10 Eduardo Morales / L. Enrique Sucar Sesión 10 Eduardo Morales / L. Enrique Sucar Fundamentos de Inteligencia Artificial

2 El conocimiento superficial representa conocimiento que puede utilizarse en situaciones específicas, en donde las conclusiones se derivan directamente de las observaciones. Conocimiento Superficial vs. Profundo Normalmente los SE tienen conocimiento superficial en forma de reglas de producción.

3 IF el tanque está vacío Then el coche no arranca IF el tanque está vacío Then el coche no arranca Un sistema físico puede describirse en términos de sus componentes y conexiones. v.g.,

4 La motivación es capturar conocimiento de sentido común de los expertos. El conocimiento profundo se refiere a las estructuras internas y causales de un sistema y considera las interacciones entre sus componentes. La motivación es capturar conocimiento de sentido común de los expertos. El conocimiento profundo se refiere a las estructuras internas y causales de un sistema y considera las interacciones entre sus componentes.

5 Generador de Vapor

6 Normalmente se hace una simulación cualitativa y en este curso vamos a ver una herramienta de simulación llamada QSIM. Una forma de representar conocimiento profundo es por medio de modelos cualitativos.

7 Surgió al tratar de resolver problemas de ingeniería y dándose cuenta que simuladores más grandes o mejores resolvedores de ecuaciones no solucionarían totalmente el problema. Surgió al tratar de resolver problemas de ingeniería y dándose cuenta que simuladores más grandes o mejores resolvedores de ecuaciones no solucionarían totalmente el problema.

8

9 Un modelo cualitativo consiste en un conjunto de variables de estado (o parámetros) del sistema y un conjunto de restricciones que relacionan las variables. Dada una descripción inicial queremos predecir el comportamiento. Un modelo cualitativo consiste en un conjunto de variables de estado (o parámetros) del sistema y un conjunto de restricciones que relacionan las variables. Dada una descripción inicial queremos predecir el comportamiento.

10 Ejemplo Tubo U

11 Modelo Cualitativo Tubo U

12

13 1. ƒ es continua en [ a,b ] 2. ƒ es continuamente diferenciable en ( a,b ) 3. ƒ tiene un número finito de puntos de inflexión (críticos) en cualquier intervalo cerrado 1. ƒ es continua en [ a,b ] 2. ƒ es continuamente diferenciable en ( a,b ) 3. ƒ tiene un número finito de puntos de inflexión (críticos) en cualquier intervalo cerrado Variables Cualitativas: Operan sobre funciones razonables. Si, [a,b ]  R* la función ƒ: [a,b]  R* es una función razonable sobre [ a,b ] si: Variables Cualitativas: Operan sobre funciones razonables. Si, [a,b ]  R* la función ƒ: [a,b]  R* es una función razonable sobre [ a,b ] si:

14 4. existen los límites lim tata tata ƒ ’(t)= ƒ ’(a) lim tbtb tbtb ƒ ’(t)= ƒ ’(b) y y

15 Espacios Cualitativos: El espacio cualitativo está definido por un conjunto de símbolos totalmente ordenado (valores landmark o característicos) Espacios Cualitativos: El espacio cualitativo está definido por un conjunto de símbolos totalmente ordenado (valores landmark o característicos) Cada landmark es un nombre simbólico de un valor particular cuyo valor actual no se conoce. Por omisión ( default ): ( - ,0,  ) l < l <…< l 1 1 2 2 k k

16 Se debe de incluir un valor landmark por cada punto de inflexión (i.e., ƒ '( t ) = 0), por lo que durante la simulación a veces es posible crear nuevos landmarks.

17 Variables para el Ejemplo del Tubo U CantA (0 Amax  ) CantB (0 Bmax  ) PresA (0  ) PresB (0  )  PAB (-  0  ) flujo A->b (-  0  ) Total (0  )

18 Las restricciones representan versiones cualitativas de operaciones matemáticas comunes, tales como suma, multiplicación y diferenciación, y permiten mapear directamente una gran cantidad de ecuaciones diferenciales.

19 QSIM es un sistema para simulación cualitativa desarrollado por B. Kuipers y otros. Dado un conjunto incompleto de estados de variables y un conjunto de restricciones, QSIM determina todos los posibles estados que son consistentes con las restricciones. QSIM es un sistema para simulación cualitativa desarrollado por B. Kuipers y otros. Dado un conjunto incompleto de estados de variables y un conjunto de restricciones, QSIM determina todos los posibles estados que son consistentes con las restricciones. Simulación cualitativa: QSIM

20 El estado cualitativo de una variable es una lista con su valor cualitativo (en o entre valores característicos) y la derivada cualitativa: aumentando ( inc ), decreciendo ( dec ) o constante ( std ) Estado Cualitativo

21 Definición: Sean l t <…< l k los valores característicos de ƒ: [a,b]  R*, para cualquier t  [a,b]. Definición: Sean l t <…< l k los valores característicos de ƒ: [a,b]  R*, para cualquier t  [a,b]. Un estado cualitativo de ƒ en t, QS ( ƒ, t ), es un par definido como: Un estado cualitativo de ƒ en t, QS ( ƒ, t ), es un par definido como:

22 inc if ƒ’(t ) > 0 std if ƒ’(t) = 0 dec if ƒ’(t ) < 0 qdir = { { l if ƒ (t ) = l ; un landmark (l, l ) if ƒ (t )  (l, l ) j j j j j j j +1 j j qval = { {

23 A pesar de que está definido continuamente, la descripción se hace en puntos discretos. Entre puntos distinguibles t y t podemos definir un valor cualitativo QS ( ƒ,t,t ) para todo el tiempo entre t y t. A pesar de que está definido continuamente, la descripción se hace en puntos discretos. Entre puntos distinguibles t y t podemos definir un valor cualitativo QS ( ƒ,t,t ) para todo el tiempo entre t y t. i i i+1 i i i i

24 Si un sistema, es un conjunto F = { ƒ,…, ƒ } de funciones, ƒ i : [a,b]  R*, el comportamiento cualitativo de un sistema se describe como una secuencia de estados de la forma: Si un sistema, es un conjunto F = { ƒ,…, ƒ } de funciones, ƒ i : [a,b]  R*, el comportamiento cualitativo de un sistema se describe como una secuencia de estados de la forma: 1 1 m m QS(F,t ), QS(F,t,t ), QS(F,t ),..., QS(F,t, t ), QS (F,t ). QS(F,t ), QS(F,t,t ), QS(F,t ),..., QS(F,t, t ), QS (F,t ). 0 0 0 0 1 1 1 1 n-1 n n n n

25 Restricciones Cualitativas: El estado cualitativo se expresa en términos de los valores de las variables. Las relaciones entre las variables están dadas por las restricciones cualitativas: suma, mult, menos, deriv, M +, M - y constante. El estado cualitativo se expresa en términos de los valores de las variables. Las relaciones entre las variables están dadas por las restricciones cualitativas: suma, mult, menos, deriv, M +, M - y constante.

26 Dada cualquier ODE (ecuaciones diferenciales ordinarias), éstas las podemos traducir a su equivalente QDE (ecuaciones diferenciales cualitativas), pero una QDE puede mapear a un número infinito de ODE.

27 d 2 u/dt - du/dt + arctan ku = 0 ƒ 1 = du/dt deriv(u, ƒ 1 ) ƒ 2 = d ƒ 1 / dt deriv( ƒ 1, ƒ 2 ) ƒ 3 = ku mult(k,u, ƒ 3 ) ƒ 4 = arctan ƒ 3 M + ( ƒ 3, ƒ 4 ) ƒ 2 - ƒ 1 + ƒ 4 = 0 suma( ƒ 2, ƒ 4, ƒ 1 ) d 2 u/dt - du/dt + arctan ku = 0 ƒ 1 = du/dt deriv(u, ƒ 1 ) ƒ 2 = d ƒ 1 / dt deriv( ƒ 1, ƒ 2 ) ƒ 3 = ku mult(k,u, ƒ 3 ) ƒ 4 = arctan ƒ 3 M + ( ƒ 3, ƒ 4 ) ƒ 2 - ƒ 1 + ƒ 4 = 0 suma( ƒ 2, ƒ 4, ƒ 1 ) Ejemplo:

28 Los valores correspondientes son tuplas de valores landmark que pueden tomar las variables en un tiempo determinado (v.g., M + (x,y), [(0,0)] ). Los valores correspondientes son tuplas de valores landmark que pueden tomar las variables en un tiempo determinado (v.g., M + (x,y), [(0,0)] ). [ V ] = el signo de V [ V ] V0 = signo( V - V 0 ) [V] 0 = signo (V) { { [+] if V > 0 [0] if V = 0 [ - ] if V < 0

29 SUMA: suma ( x,y,z ) [( x 1,y 1,z 1 ),...] ( corresponding values )

30 Suma [+][+] [0][0][-][-] [+][+] [0][0] [-][-] [+][+] [+][+] [ + ]/ [ 0 ] / [-] [+][+] [0][0] [-][-][-][-] [-][-] [ X ] + [ Y ] = [ Z ] 1 1

31 [X]   + [Y]   = [Z]  [X] xi + [Y] yi = [Z] zi 2 2 3 3

32 MULT: mult (x,y,z) [(x 1,y 1,z 1 ),...] [X] 0 [Y] 0 = [Z] 0 mult [+][+][+][+] [0][0] [-][-] [+][+] [0][0][0][0][0][0] [0][0][-][-] [-][-][0][0][+][+] [0][0] [-][-] 1. [Y] 0 [X] + [X] 0 [Y] = [Z] 2.

33 MENOS: Valores correspondientes: (0 0),(- ,  ),( ,-  ) Valores correspondientes: (0 0),(- ,  ),( ,-  ) [X] xi = -[Y] yi [X] = -[Y] 1. 2. DERIV: 3. [X] = [Y] 0 1.

34 M+ (monotónicamente creciente) M- (monotónicamente decreciente) [X] xi = -[Y] yi [X] xi = [Y] yi [X] = [Y] [X] = - [Y] 1. 2.

35 CONSTANT Se pueden combinar los landmarks con valores cuantitativos para tener más información. [X] =0 [X] a = 0 También pueden existir para operaciones de muchas variables.

36 si M + (x,y), y [x] * = [+]  [y] * = [+], si suma (x,y,z), y [x] 0 = [+] y [z] 0 = [-]  [y] 0 = [-] si M + (x,y), y [x] * = [+]  [y] * = [+], si suma (x,y,z), y [x] 0 = [+] y [z] 0 = [-]  [y] 0 = [-] QSIM también permite propagar descripciones cualitativas entre variables a través de restricciones,v.g.,

37 En el caso del tubo-U, dada la descripción inicial de Tanque A lleno y Tanque B vacío (CantA = Amax y CantB = 0), podemos propagar para conocer los otros valores de las otras variables.

38

39 Trans-PQS(f,t i ) P 1 P 2 P 3 P 4 P 5 P 6 P 7 Trans-PQS(f,t i ) P 1 P 2 P 3 P 4 P 5 P 6 P 7 Simulación Tabla de Transiciones de Estados Simulación Tabla de Transiciones de Estados  QS( ƒ,t i,t i+1 )

40 Trans - I QS( ƒ,t i,t i+1 )  QS( ƒ,t i,t i+1 ) I 1 I 2 I 3 I 4 I 5 I 6 I 7 I 8 I 9

41 Entrada: 1. Un conjunto de { ƒ 1,... ƒ m } de símbolos representando funciones en el sistema 1. Un conjunto de { ƒ 1,... ƒ m } de símbolos representando funciones en el sistema 2. Un conjunto de restricciones aplicadas a los símbolos funcionales: 2. Un conjunto de restricciones aplicadas a los símbolos funcionales: ADD( f,g,h ),MULT( f,g,h ),MINUS( f,g ),DERIV( f,g ), M + ( f,g ), M - ( f,g ). ADD( f,g,h ),MULT( f,g,h ),MINUS( f,g ),DERIV( f,g ), M + ( f,g ), M - ( f,g ). Cada una puede tener relacionada valores correspondientes

42 3. Cada función está asociada con un conjunto ordenado de símbolos, representando valores característicos (cada función tiene por lo menos el conjunto: {-  ,0,+  }) 3. Cada función está asociada con un conjunto ordenado de símbolos, representando valores característicos (cada función tiene por lo menos el conjunto: {-  ,0,+  })

43 4. Cada función puede tener asociada límites superiores e inferiores (valores característicos donde las restricciones ya no aplican) 5. Un punto temporal inicial, t 0, y los valores cualitativos para cada de las ƒ i en t 0 Salida: una o más descripciones cualitativas para las funciones dadas.

44 1. Una secuencia {t 0,…,t n } de símbolos, representando los puntos temporales Cada descripción tiene: 2. Cada función ƒ i tiene un conjunto totalmente ordenado de valores característicos, posiblemente mayor que el original 3. Cada función tiene una descripción cualitativa en cada punto temporal o intervalo entre puntos temporales

45 Selecciona un estado cualitativo de ACTIVOS Algoritmo Coloca en ACTIVOS el estado inicial. REPEAT Until ACTIVOS = vacío o Tiempo  tiempo límite. Para cada función determina sus posibles transiciones (usando las tablas) Paso 2: Paso 1:

46 Para cada restricción, genera un conjunto de túplas y filtra de acuerdo a consistencia Paso 3: Realiza filtrado de consistencia entre conjuntos de túplas (transiciones adyacentes deben de concordar con las transiciones de los parámetros comunes) Paso 4:

47 Aplica filtros globales y añade los estados restantes a ACTIVOS Genera todas las interpretaciones globales Paso 5: Paso 6:

48 1. No cambio 2. Valores infinitos 3. Reconocer estado estable ( quiescent ) 4. Nuevos landmarks 1. No cambio 2. Valores infinitos 3. Reconocer estado estable ( quiescent ) 4. Nuevos landmarks Filtros:

49 6. Aparear estados e identificar ciclos 7. Propagar inconsistencias hacia atrás 8. Regiones de transición 6. Aparear estados e identificar ciclos 7. Propagar inconsistencias hacia atrás 8. Regiones de transición 5. Nuevos valores correspondientes en puntos temporales 5. Nuevos valores correspondientes en puntos temporales

50 QS(A, t 0,t 1 ) = QS(A, t 0,t 1 ) = Ejemplo: Tiro vertical Restricciones: deriv ( Y,V ), deriv ( V,A ), A( t ) = g Estado Inicial: QS( V, t 0,t 1 ) = QS( Y, t 0,t 1 ) =

51 Tiro Vertical t0 t1 A – g, std V – (0,inf), dec Y – (o,inf), inc

52 AI1:  VI5:  I6:  I7:  I9:  YI4:  I8: 

53 deriv (Y,V)deriv (V,A) ( I 4, I 5)c( I 5, I 1)c ( I 4, I 6)c( I 6, I 1) ( I 4, I 7)( I 7, I 1) ( I 4, I 9)w( I 9, I 1)c ( I 8, I 5)w ( I 8, I 6) ( I 8, I 7)c ( I 8, I 9)c

54 QS ( A,t 1 ) = QS ( V, t 1 ) = QS ( Y, t 1 ) = QS ( A,t 1 ) = QS ( V, t 1 ) = QS ( Y, t 1 ) = Y V A I 4 I 7 I 1 I 8 I 6 I 1

55 Tiro Vertical t0 t1 A – g, std V – (0,inf), dec Y – (0,inf), inc A – g, std V – 0, dec Y – L*, std

56 Ejemplo Tanque

57 Se puede demostrar que QSIM garantiza incluir todos los comportamientos que exhiben las ecuaciones diferenciales originales ( sound ), pero no garantiza incluir sólo esas (no complete ) y normalmente genera comportamientos que no representan realidades físicas. Se puede demostrar que QSIM garantiza incluir todos los comportamientos que exhiben las ecuaciones diferenciales originales ( sound ), pero no garantiza incluir sólo esas (no complete ) y normalmente genera comportamientos que no representan realidades físicas.

58 Uno de los problemas es ambigüedad en la derivada de expresiones complejas. z = xy, x =inc, y = dec, entonces z = inc, dec o std z = xy, x =inc, y = dec, entonces z = inc, dec o std Por ejemplo:

59 Las derivadas sólo están restringidas por consideraciones de continuidad y no por valores característicos. Ignorar la dirección de cambio de una variable (Kuipers y Chiu '87) Ignorar la dirección de cambio de una variable (Kuipers y Chiu '87) Posibles soluciones (Kuipers y Chiu '87) Restricciones de “curvatura” cuando la derivada de una variable es cero para validar o refutar las curvaturas propuestas por QSIM (Kuipers y Chiu '87) Restricciones de “curvatura” cuando la derivada de una variable es cero para validar o refutar las curvaturas propuestas por QSIM (Kuipers y Chiu '87)

60 Restricciones en las trayectorias de las variables en el plano de la fase (NIC: Non- Intersection of phase-space Constraint) (Lee y Kuipers '88, Struss '88) Incorporación de conocimiento cuantitativo Abstracciones de comportamientos en uno solo Derivadas de alto orden Restricciones en las trayectorias de las variables en el plano de la fase (NIC: Non- Intersection of phase-space Constraint) (Lee y Kuipers '88, Struss '88) Incorporación de conocimiento cuantitativo Abstracciones de comportamientos en uno solo Derivadas de alto orden

61 Sesión 10 Fin