Adaptive planning for risk-aware predictive digital twins

تخيل أنك تحاول بناء خريطة حية ومثالية لآلة من العالم الحقيقي، مثل طائرة بدون طيار أو جسر. هذه "الخريطة" تسمى التوأم الرقمي (Digital Twin). إنها ليست مجرد رسم ثابت؛ بل هي نسخة افتراضية تتنفس، وتتعلم، وتحدث نفسها في الوقت الفعلي مع جمع البيانات من المستشعرات. فكر في الأمر كشخصية في لعبة فيديو مرتبطة فعلياً بروبوت حقيقي، تشعر بكل صدمة واهتزاز يمر به الروبوت. لكن الجزء الصعب هنا هو أن العالم الحقيقي فوضوي؛ فالأشياء تتعطل، والطقس يتغير، وأحياناً تحدث حوادث نادرة ومخيفة لم يتوقعها أحد. إذا لم تأخذ خريطتك الرقمية هذه الأحداث النادرة والخطيرة في الاعتبار، فقد تأمر الروبوت بالقيام بشيء يبدو آمناً ولكنه يؤدي في الواقع إلى تحطم. هنا يأتي دور التخطيط الواعي بالمخاطر (risk-aware planning)؛ وهو فن اتخاذ القرارات ليس بناءً على ما هو الأكثر احتمالاً للحدوث فحسب، بل أيضاً بناءً على ما يمكن أن يسير بشكل سيئ للغاية، حتى لو كانت احتمالات حدوده ضئيلة. يبحث العلماء باستمرار عن طرق أفضل لتعليم هذه التوائم الرقمية كيف تكون حذرة، وذكية، ومستعدة لما هو غير متوقع، لضمان أنه عندما تحلق الآلة الحقيقية، فإنها لا تعمل بشكل جيد فحسب، بل تنجو أيضاً من أسوأ السيناريوهات.

تقدم هذه الورقة البحثية طريقة ذكية جديدة لجعل هذه التوائم الرقمية أكثر ذكاءً وأماناً، وتحديداً للمركبات الجوية غير المأهولة (UAVs)، أو الطائرات بدون طيار. يقترح المؤلفون، ماركو تيزيلي وفريقه من جامعة تكساس في أوستن، إطار عمل رياضياً يعمل بمثابة "مدرب حذر" للطائرة بدون طيار. فبدلاً من افتراض أن الطائرة تعرف تماماً مدى احتمالية تعرضها للتلف، يعامل هذا الإطار هذه الاحتمالات كأمر غامض يتم حله خطوة بخوة. إنهم يستخدمون أداة تسمى شبكة بايز الديناميكية (Dynamic Bayesian Network)، والتي يمكنك تخيلها كشبكة ضخمة ومترابطة من سيناريوهات "ماذا لو". وبينما تطير الطائرة وتجمع مستشعراتها بيانات مشوشة (مثل بث فيديو مهتز)، يقوم التوأم الرقمي بتحديث معتقداته حول الحالة الصحية للطائرة.

الابتكار الجوهري هنا هو كيفية تعاملهم مع المجهول. عادةً، قد يفترض المهندسون احتمالية كسر جناح ما ويلتزمون بهذا التخمين، لكن هذه الورقة تقترح التعامل مع هذه الاحتمالية كـ متغير عشوائي (random variable)—أي رقم يمكن أن يتذبذب ويتغير. إنهم يستخدمون طريقة تسمى عملية ماركوف لاتخاذ القرار البارامتري (Parametric Markov Decision Process) لإيجلة أفضل الإجراءات. فكر في الأمر كلاعب شطرنج لا يخطط لنقلة واحدة للأمام فحسب، بل يحسب أفضل استراتيجية لكل حالة ممكنة للوحة، مع مراقبة وثيقة لـ "خطر" خسارة قطعة. ولزيادة الأمان، هم لا ينظرون فقط إلى متوسط احتمالية الفشل؛ بل يستخدمون مقياس خطر يسمى CVaR (القيمة المشروطة المعرضة للمخاطر). إذا تخيلت حقيبة من الكرات الزجاجية حيث معظمها أزرق (آمن) والقليل منها أحمر (خطير)، فإن المتوسط البسيط قد يتجاهل الكرات الحمراء. أما CVaR، فهو يركز تحديداً على أسوأ حقيبة كرات، مما يضمن تجنب الطائرة للكرات الحمراء حتى لو كانت نادرة.

اختبر الفريق هذه الفكرة في سيناريوهين محاكاتيين: طائرة بدون طيار لتوصيل الطرود في شبكة مدينة، وطائرة أخرى تتفادى طائرة أخرى في السماء. في هذه المحاكاة، كان على الطائرة الاختيار بين المناورات "اللطيفة" (بطيئة ولكنها أكثر أماناً) والمناورات "الهجومية" (سريعة ولكنها أكثر خطورة). كانت النتائج واعدة؛ ففي عمليات المحاكاة، ساعد النهج المتحفظ للمخاطر، والذي استخدم طريقة CVaR، الطائرة على تقليل إجمالي التكلفة المتوقعة بنسبة تقارب 22% مقارنة بالنهج القياسي. جاء هذا الانخفاض من قدرة الطائرة على التعلم في الوقت الفعلي: فبينما كانت تطير، قامت بتحديث فهمها لمدى احتمالية تضرر أجنحتها، مما سمح لها بالتحول من الحذر إلى الهجوم (أو العكس) في اللحظات المناسبة تماماً. كما أظهروا أن النظام يمكنه التنبؤ بالحالة الصحية المستقبلية للطائرة، بتقدير دقة تلف الهيكل بنسبة 75.4% في إعداد الاختبار الخاص بهم.

من المهم ملاحظة أن هذه النتائج تأتي من محاكاة حاسوبية، وليس من طائرة فعلية تحلق في سماء حقيقية. يذكر المؤلفون صراحة أنه بينما تعمل طريقتهم بشكل جيد في هذه الاختبارات الرقمية، فإن التحدي في العالم الحقيقي يكمن في قدرة الحوسبة المطلوبة لإعادة حساب أفضل استراتيجية في كل لحظة. ويجادلون بأن إطار عملهم يوفر أساساً متيناً لجعل التوائم الرقمية أكثر قوة ضد الأحداث الكارثية النادرة، لكن الخطوة النهائية لوضع هذا على طائرة فعلية تعتمد على امتلاك أجهزة كمبيوتر داخلية سريعة بما يكفي. ومن خلال دمج الاحتمالات، وإدارة المخاطر، والتعلم في الوقت الفعلي، يشير هذا العمل نحو مسار نحو توائم رقمية لا تتنبأ بالمستقبل فحسب، بل تحمي بنشاط من أسوأ أجزائه.