Wetenschappers hebben een nieuwe methode ontwikkeld om de computationele uitdagingen van geavanceerde besturingssystemen aan te pakken. De nieuwe solver, genaamd PANDA, is specifiek ontworpen voor differentieerbare nonlinear model predictive control (NMPC). Deze techniek is essentieel voor het integreren van optimale controlemechanismen in leerparadigma's, maar wordt in de praktijk vaak gehinderd door een extreem hoog verbruik van geheugen en rekenkracht.
De kern van de innovatie ligt in een matrix-vrije benadering. In traditionele solvers moeten grote matrices, zoals de Jacobiaan en de Hessiaan, expliciet worden geconstrueerd, wat vaak leidt tot een enorme belasting van het systeemgeheugen. Volgens een publicatie op arxiv.org omzeilt PANDA dit probleem door een methode te gebruiken die deze matrices niet expliciet hoeft op te slaan, wat de algehele snelheid van de berekeningen verhoogt.
Bij de zogenaamde 'forward pass' combineert de solver quasi-Newton versnelling met proximal-gradient iteraties. Om het proces te versnellen, is er een adaptief mechanisme geïmplementeerd dat de stapgrootte kan vergroten. Dit voorkomt dat het systeem te conservatief reageert bij het reduceren van stapgroottes, waardoor de optimalisatie efficiënter verloopt. De onderzoekers hebben in hun technische analyse aangetoond dat dit mechanisme een positieve invloed heeft op de lokale convergentie van het systeem.
Ook de 'backward pass' is geoptimaliseerd. PANDA maakt hier gebruik van impliciete differentiatie op basis van de residu-vergelijking. Om de adjoint-gevoeligheden te bepalen, worden iteratieve methoden uit de Krylov-subruimte ingezet, ondersteund door matrix-vector productoperatoren die werken via automatische differentiatie. Deze technische keuzes zorgen ervoor dat de solver ook op hardware met beperkte middelen kan functioneren, omdat de geheugenoverhead drastisch is verlaagd.
Om de praktische waarde van PANDA te bewijzen, is de solver getest op een niet-convex NMPC-probleem waarbij een trailer centraal stond in een taak voor imitatie-leren. Uit de resultaten blijkt dat PANDA aanzienlijk sneller presteert in zowel de voorwaartse als de achterwaartse fase dan andere representatieve solvers. Belangrijk is dat deze winst in snelheid niet ten koste gaat van de nauwkeurigheid van de besturing of de kwaliteit van het leerproces.
Het onderzoek is het resultaat van een samenwerking tussen diverse experts, waaronder Yuankun Chen, Zifei Nie, Xun Gong, Yunfeng Hu en Hong Chen. De definitieve versie van het onderzoek werd op 18 augustus 2026 gepubliceerd via . Het werk is gecategoriseerd onder de vakgebieden Optimalisatie en Controle (math.OC) en Systemen en Controle (eess.SY).
Hoewel de naam van de solver doet denken aan de bekende beer, de britannica.com, is er geen biologisch verband tussen het dier en deze wiskundige innovatie. De focus van het project ligt puur op het creëren van een schaalbaar alternatief voor bestaande solvers, waardoor complexe NMPC-structuren toegankelijker worden voor grootschalige toepassingen binnen machine learning. De volledige technische bewijsvoering en details over de convergentie zijn beschikbaar in het volledige document op het .