From Digital to Physical Reservoir Computing: Co-Optimizing Soft Robotic Reservoirs via Dynamics Matching

تخيل أن لديك دماغاً رقمياً فائق الذكاء يمكنه التعلم للتنبؤ بالمستقبل أو التعرف على الأنماط، لكنه ثقيل، وبطيء، ويستهلك الكثير من الكهرباء. الآن، تخيل أنه يمكنك استبدال ذلك الدماغ الرقمي بجسم مادي طري ومتعرج — مثل ذراع روبوت ناعمة أو قنديل بحر — يتحرك ويتفاعل بطرق معقدة بشكل طبيعي. هذا هو عالم الحوسبة الخزانية الفيزيائية (Physical Reservoir Computing). فبدلاً من محاكاة دماغ على جهاز كمبيوتر، يستخدم العلماء الفيزياء الواقعية لروبوت ناعم للقيام بالعمل الشاق. تعمل التمايلات والانثناءات الطبيعية للروبوت كـ "خزان" للذاكرة، حيث تحول المدخلات البسيطة إلى أنماط غنية ومعقدة يمكن لكمبيوتر بسيط قراءتها بسهولة. السؤال الكبير هو: هل يمكننا ببساطة أخذ أي روبوت ناعم من الرف واستخدامه، أم أننا بحاجة إلى ضبطه أولاً؟ عادةً، يستخدم الناس الروبوت "كما هو"، آملين أن تكون فوضويته الطبيعية جيدة بما يكفي. لكن هذه الورقة البحثية تطرح سؤالاً جريئاً: ماذا لو استطعنا "تدريب مسبق" لروبوت ناعم ليعمل تماماً مثل دماغ رقمي فائق الذكاء قبل تشغيله حتى؟

يقول مؤلفو هذه الورقة، وهم فريق من جامعة دلفت للتكنولوجيا، ومعهد ماساتشوستس للتكنولوجيا (MIT)، وبوليتكنيكو دي ميلانو، إن مجرد استخدام روبوت ناعم "كما هو" ليس الطريقة المثلى. لقد وجدوا أنه من خلال التحسين المشترك (co-optimizing) لشكل الروبوت الفيزيائي، ونظام التحكم الخاص به، وخريطة ترجمة خاصة، يمكنهم جعل روبوت ناعم محاكى يحاكي سلوك دماغ رقمي عالي الأداء بشكل شبه مثالي. فكر في الأمر على هذا النحو: إذا كان الخزان الرقمي هو عازف بيانو ماهر يعزف مقطوعة معقدة، فإن الروبوت الناعم القياسي يشبه طفلاً يضرب على المفاتيم. لم يكتفِ الباحثون بإخبار الطفل بأن يحاول بجهد أكبر؛ بل قاموا بالفعل بإعادة تشكيل يدي الطفل، وأعطوه مجموعة جديدة من التعليمات، وبنوا له مترجماً لكي يبدو ضجيج الطفل تماماً مثل أغنية عازف البيانو الماهر.

إليكم كيف فعلوا ذلك وما اكتشفوه.

المشكلة: الروبوت "كما هو" مقابل الحلم الرقمي

في عالم الحوسبة الخزانية (Reservoir Computing)، لديك نظام ثابت وغير خطي (الخزان) يستقبل البيانات ويوسعها إلى حالة عالية الأبعاد. في الكمبيوتر الرقمي، يمكنك تصميم هذا النظام بشكل مثالي. أما في الروبوت الفيزيائي، فإن "الخزان" هو جسم الروبوت نفسه. ما العلة؟ الروبوتات الفيزيائية غالباً ما تكون فوضوية. حركاتها الطبيعية قد لا تكون النوع "الأفضل" من الفوضى لأغراض الحوسبة.

عادةً، يأخذ الباحثون روبوتاً ناعماً، ويوصلونه بجهاز كمبيوتر، ويأملون في الأفضل. إنهم يعاملون جسم الروبوت كجسم ثابت وغير قابل للتغيير. يجادل المؤلفون بأن هذا فرصة ضائعة. أرادوا معرفة: هل يمكننا ضبط جسم الروبوت ونظام التحكم الخاص به ليتطابق مع دماغ رقمي محدد وعالي الأداء؟

الحل: تدريب "التوأم الرقمي"

ابتكر الفريق طريقة تدريب يعمل فيها "مرجع رقمي" (دماغ رقمي جيد جداً) كمعلم، و"الخزان الفيزيائي" (روبوت ناعم محاكى) كتلميذ.

1. المعلم: استخدموا نموذجاً رقمياً يسمى شبكة المذبذبات العشوائية (Random Oscillators Network - RON). تخيل مجموعة من النوابض والأوزان المتصلة معاً، تهتز في رقصة معقدة وفوضوية. هذه الرقصة الرقمية ممتازة في تذكر المدخلات الماضية والتنبؤ بالمستقبل.
2. التلميذ: استخدموا روبوتاً ناعماً محاكياً مصنوعاً من قطع "إجهاد ثابت مجزأ" (Piecewise Constant Strain)—بمعنى آخر، نموذج رقمي لذراع مرنة تنثني وتلتوي مثل ذراع حقيقية.
3. الرابط السحري: لم يكتفوا بإخبار الروبوت بنسخ إجابات المعلم، بل أخبروه بنسخ حركاته عند مستوى التسارع. لقد بنوا "مترجماً" خاصاً (خريطة رياضية) يحول إحداثيات الدماغ الرقمي إلى الإحداثيات الفيزيائية للروبوت.
4. التحسين: باستخدام كمبيوتر قوي، قاموا بتعديل ثلاثة أشياء في وقت واحد:
   • المعلمات الفيزيائية للروبوت (مدى صلابته أو ثقله).
   • وحدة التحكم (كيف يتحرك الروبوت استجابة للمدخلات).
   • خريطة المترجم (كيفية التحدث بين اللغتين الرقمية والفيزيائية).

قاموا بذلك عن طريق تقليل "الخطأ" بين تسارع المعلم الرقمي وتسارع التلميذ الفيزيائي. ومن الأهمية بمكان أنهم فعلوا ذلك دون تمرير الروبوت عبر كل مهمة أولاً. لقد قاموا فقط بمطابقة فيزياء الحركة.

النتائج: روبوت طري يفكر مثل دماغ رقمي

اختبر الفريق ذلك في محاكاة حاسوبية (ليس على أجهزة حقيقية بعد) باستخدام أربع مهام مختلفة:

• sMNIST: التعرف على الأرقام المكتوبة بخط اليد في تسلسل.
• ADIAC: تصنيف بيانات السلاسل الزمنية.
• Mackey-Glass & Lorenz96: التنبؤ بسلاسل زمنية فوضوية تشبه الطقس.

اختبروا روبوتات بأحجام مختلفة (أبعاد الخزان 6، 9، 12، و15).

الفوز الكبير:
عندما قارنوا الروبوت "المُحسّن" بروبوت قياسي يُستخدم "كما هو"، كان الروبوت المُحسّن فائزاً كبيراً.

• عبر جميع المهام والأحجام، أظهرت الخزانات المُحسّنة تحسناً نسبياً متوسطاً قدره 33.7% مقارنة بالروبوتات غير المُحسنة.
• من حيث مطابقة حركات المعلم الرقمي، كان تحسين الشكل الفيزيائي (المورفولوجيا) للروبوت هو المفتاح. عندما حافظوا على شكل الروبوت ثابتاً وقاموا فقط بتعديل وحدة التحكم، كان الخطأ أعلى بكثير. لقد قلل التحسين الكامل (تغيير الشكل و وحدة التحكم) الخطأ بهوامش هائلة: 90.2% لـ sMNIST، و61.6% لـ ADIAC، و77.1% لـ Mackey-Glass، و86.4% لـ Lorenz96.
• احتفظت الروبوتات المُحسّنة بـ 90.9% من أداء الدماغ الرقمي الأصلي.

العائق (والثقة):
من المهم ملاحظة أن هذه النتائج هي محاكاة. "الروبوتات" كانت موجودة في الكود فقط. المؤلفون واضحون جداً في أن هذا "إثبات مفهوم". لم يبنوا روبوتاً فيزيائياً ويختبروه في العالم الحقيقي بعد.

• استخدموا خزانات صغيرة (الأبعاد من 6 إلى 15) لأن محاكاة روبوتات أكبر وأكثر تعقيداً مكلفة حاسوبياً.
• وجدوا أنه كلما كبر الخزان، أصبح من الصعب مطابقة الدماغ الرقمي تماماً، لكن الروبوتات المُحسّنة لا تزال تتفوق على غير المُحسنة بشكل كبير.
• لقد استبعدوا صراحةً فكرة أنه يمكنك ببساطة استخدام أي روبوت ناعم عشوائي والحصول على نتائج رائعة؛ فقد كان نهج "كما هو" أسوأ باستمرار.

لماذا هذا مهم

تشير هذه الورقة إلى أنه ليس علينا قبول قيود الشكل الطبيعي للروبوت الناعم. فبدلاً من مجرد الأمل في أن يكون الروبوت الناعم "جيداً بما يكفي"، يمكننا تصميم شكله رياضياً ليكون شريكاً مثالياً لنوع معين من الحوسبة.

يخلص المؤلفون إلى أنه بينما تعمل طريقتهم بشكل رائع في المحاكاة، فإن الخطوة التالية هي معرفة ما إذا كانت ستعمل على أجهزة حقيقية متذبذبة ومليئة بالضجيج. كما أشاروا إلى أنه لكي يكون هذا مفيداً حقاً، نحتاج إلى معرفة كيفية التعامل مع حقيقة أن الروبوتات الحقيقية ليست نسخاً مثالية لنماذجها الرقمية. ولكن في الوقت الحالي، لقد أظهروا أنه مع "التدريب المسبق" الصحيح، يمكن دفع روبوت ناعم ليفكر تقريباً تماماً مثل دماغ رقمي فائق الذكاء، مما يفتح الباب أمام ذكاء اصطناعي أكثر سرعة وكفاءة وتجسيداً.