Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Robust Design of Trustworthy Neural Network Controllers

Projektbeschreibung

Sichere Steuerung neuronaler Netze für kritische Systeme

Neuronale Netzwerksteuerung erzielt in Simulationen sehr gute Ergebnisse, ihr Verhalten in realen, sicherheitskritischen Systemen kann jedoch gegenwärtig weder zuverlässig garantiert noch formal verifiziert werden. Dieser Mangel an zertifizierter Sicherheit und Robustheit schränkt ihren Einsatz in Hochrisikobereichen wie der Luft- und Raumfahrt ein. Das Ziel des innerhalb der Marie-Skłodowska-Curie-Maßnahmen unterstützten Projekts RDTNNC besteht darin, dafür zu sorgen, dass auf neuronalen Netzen basierende Steuerungen sicher, zuverlässig und zertifizierbar für den Einsatz in Hochrisikosystemen werden. Es wird ein einheitliches Rahmenwerk entwickelt, das maschinelles Lernen mit Kontrolltheorie kombiniert, um Steuerungen für neuronale Netze mit formalen Garantien für Stabilität und Sicherheit zu entwerfen, zu verifizieren und zu interpretieren. Dies trägt dazu bei, eine zentrale Einschränkung von künstlicher Intelligenz (KI) in Bereichen wie der Luft- und Raumfahrt, Gesundheitsversorgung, Robotik und kritischen Infrastruktur zu beheben: den Mangel an nachweisbarer Vertrauenswürdigkeit.

Ziel

The Robust Design of Trustworthy Neural Network Controllers (RDTNNC) project aims to establish a unified framework for designing, verifying and interpreting neural network (NN) controllers with formal guarantees, ensuring the robust stability and safety of neural feedback loops (NFLs). It combines model-based and data-driven approaches to address complexity, uncertainty and data scarcity in artificial intelligence (AI)-based control. The project focuses on one of the main barriers to applying AI in high-risk domains: the lack of certified trustworthiness. Although NN controllers demonstrate strong performance in simulations and prototypes, their use in fields such as aerospace, healthcare, robotics and critical infrastructure remains constrained. Without methods that provide the level of reliability and transparency required by regulators, adoption in these areas remains limited. RDTNNC aims to close this gap between empirical capability and verifiable trust. To achieve this, the project advances scalable verification methods based on integral quadratic constraints and sum-of-squares programming, integrating them with Lyapunov-constrained training to embed robustness and stability in controller design. Data-efficient strategies using meta-learning and few-shot adaptation aim to enable safe synthesis even when models are incomplete or data are scarce. By delivering controllers that combine high performance with verifiable reliability, RDTNNC aspires to contribute to the wider adoption of AI in safety-critical environments. The outcomes are expected to support the objectives of the Horizon Europe Work Programme by promoting trustworthy and human-centric digital technologies, by aligning with the requirements of the EU AI Act for high-risk applications, and by strengthening Europe's role in the responsible development of advanced AI-based control.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) HORIZON-MSCA-2025-PF

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Koordinator

THE UNIVERSITY OF LIVERPOOL
Netto-EU-Beitrag
€ 260 347,92
Adresse
BROWNLOW HILL 765 FOUNDATION BUILDING
L69 7ZX LIVERPOOL
Vereinigtes Königreich
Region
North West (England) Merseyside Liverpool
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten