Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Robust Design of Trustworthy Neural Network Controllers

Descripción del proyecto

Garantizar la seguridad de los controladores de redes neuronales para sistemas críticos

Los controladores de redes neuronales pueden funcionar muy bien en simulaciones, pero su comportamiento en sistemas reales críticos para la seguridad no puede garantizarse de forma fiable ni verificarse formalmente en la actualidad. Esta falta de certificación en seguridad y robustez limita su uso en ámbitos de alto riesgo como el aeroespacial. El equipo del proyecto RDTNNC, que cuenta con el apoyo de las Acciones Marie Skłodowska-Curie, tiene como objetivo lograr que los controladores basados en redes neuronales sean seguros, fiables y certificables para su uso en sistemas de alto riesgo. Se elaborará un marco unificado que combine el aprendizaje automático con la teoría de control para diseñar, verificar e interpretar controladores de redes neuronales con garantías formales de estabilidad y seguridad. Esto ayuda a abordar una limitación clave de la inteligencia artificial en áreas como la aeroespacial, la atención médica, la robótica y las infraestructuras críticas: la falta de fiabilidad demostrable.

Objetivo

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.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

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

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) HORIZON-MSCA-2025-PF

Ver todos los proyectos financiados en el marco de esta convocatoria

Coordinador

THE UNIVERSITY OF LIVERPOOL
Aportación neta de la UEn
€ 260 347,92
Dirección
BROWNLOW HILL 765 FOUNDATION BUILDING
L69 7ZX LIVERPOOL
Reino Unido
Región
North West (England) Merseyside Liverpool
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
Sin datos