L'iterazione di policy basata su PINN risolve equazioni HJI non convesse

Un nuovo preprint su arXiv, numerato 2507.15455, presenta un metodo innovativo per l'iterazione di policy che combina la classica programmazione dinamica con le reti neurali informate dalla fisica. Questa tecnica affronta complesse equazioni di Hamilton-Jacobi-Isaacs (HJI) ad alta dimensione, importanti nei giochi differenziali stocastici e nel controllo robusto. Il processo alterna la risoluzione di equazioni alle derivate parziali lineari del secondo ordine con politiche di feedback definite e il raffinamento dei controlli tramite strategie minimax mediante differenziazione automatica. I ricercatori dimostrano che, sotto tipiche condizioni di Lipschitz e di ellitticità uniforme, le iterazioni della funzione valore convergono uniformemente a un'unica soluzione di viscosità. I loro risultati mostrano inoltre che le iterazioni mantengono una regolarità equi-Lipschitz, garantendo stabilità senza richiedere convessità dell'hamiltoniana. In aggiunta, test numerici dimostrano l'efficacia del metodo in un gioco di pianificazione del percorso stocastico bidimensionale.