Low-Latency Activation-Regularized Sparse Neural Operators with Distillation Assistance Towards Real-Time Edge-Deployable Virtual Sensing

في العالم الحديث، تعتمد البنية التحتية الحيوية مثل محطات الطاقة النووية على تدفق مستمر من البيانات لضمان السلامة والكفاءة. تقيس المستشعرات الموضوعة في نقاط رئيسية درجة الحرارة والضغط والتدفق، لكنها لا تستطيع رؤية كل شيء. ولفهم الصورة الكاملة لما يحدث داخل المفاعل، يستخدم المهندسون "الاستشعار الافتراضي". هذه طريقة حوسبية تأخذ بضع قياسات متفرقة وتعيد بناء المشهد الفيزيائي الكامل غير المرئي داخل الآلة، مما ينشئ توأماً رقمياً يتنبأ بكيفية حركة الحرارة والسوائل في الوقت الفعلي. ورغم قوتها، غالباً ما تكون هذه التوائم الرقمية ثقيلة وبطيئة للتشغيل على أجهزة الكمبيوتر الصغيرة ومنخفضة الطاقة المطلوبة للنشر عند الحافة (edge deployment)، مثل تلك الموجودة على مستشعر عن بعد أو جهاز محمول. فهي تتطلب عادةً خوادم مراكز بيانات ضخمة لحل المعادلات المعقدة بسرعة. ولجعل هذه الأنظمة حقيقية في الوقت الفعلي وموفرة للطاقة، بحث الباحثون في الدماغ لاستلهام الأفكار منه. يعالج الدماغ البشري المعلومات باستخدام عصبونات "نبضية" (spiking neurons) لا تطلق إشارات إلا عند الضرورة، حيث تتواصل عبر نبضات قصيرة ومتفرقة بدلاً من العمل باستمرار. هذا الأسلوب القائم على الأحداث فعال للغاية، لكن ترجمته إلى ذكاء اصطناعي للتنبؤ العلمي أثبتت صعوبته، مما يؤدي غالباً إلى عدم استقرار التدريب أو بطء الأداء.

لقد طور فريق من الباحثين في جامعة إلينوي في أوربانا-تشامبين نهجاً جديداً لسد هذه الفجوة، حيث أنشأوا نظاماً يمكنه إجراء عمليات إعادة البناء الفيزيائية المعقدة بهذه السرعة وكفاءة الطاقة المطلوبة لأجهزة الحافة في العالم الحقيقي. وبدلاً من محاولة محاكاة التوقيت البيولوجي المعقد متعدد الخطوات للعصبونات بدقة، وهو ما يسبب الأخطاء غالباً في التدريب الاصطناعي، صمموا آلية أبسط أحادية الخطوة. لقد قدموا طبقة جديدة في شبكتهم العصبية تعمل كحارس بوابة صارم؛ تسمًح للمعلومات بالمرور فقط عندما تكون إيجابية وقوية بما يكفي، مما يؤدي فعلياً إلى إسكات الغالبية العظمى من العصبونات التي قد تقوم بعمل غير ضروري بخلاف ذلك. ومن خلال إجبار الشبكة على أن تكون متفرقة (sparse)—بمعنى أن معظم أجزائها تظل هادئة وغير نشطة—يقلل النظام بشكل كبير من الطاقة اللازمة لتشغيله. والأهم من ذلك، أن هذه الطريقة تتجنب تقنيات التدريب غير المستقرة التي أعاقت المحاولات السابقة لاستخدام العصبونات النبضية للبيانات العلمية، مما يسمح للنموذج بالتعلم بشكل مباشر وموثوق دون الحاجة إلى حلول معقدة.

اختبر الباحثون هذا الإطار الجديد في مشكلة تحديّة: محاكاة تدفق الحرارة والسوائل عبر مبادل حراري معقد وغير منتظم الشكل، وهو مكون حيوي لسلامة المفاعلات النووية. وقارنوا نموذجهم الجديد "المعتمد على التنشيط المتفرق" (sparse-activation model) مقابل الأساليب الحالية التي تستخدم العصبونات النبضية التقليدية. كانت النتائج مذهلة؛ فقد حقق النموذج الجديد مستوى من الدقة يضاهي الأنظمة الأكثر تعقيداً، لكنه فعل ذلك بجهد حوسبي أقل بكثير. ومن حيث الدرجة المركبة التي تقيس السرعة والخطأ واستهلاك الطاقة، تفوق النهج الجديد على أفضل الأساليب النبضية الحالية بأكثر من خمس مرات. لقد تمكن من إعادة بناء فيزياء المبادل الحراري بدقة عالية مع إطلاق إشارات أقل بكثير، مما أثبت أن النهج الأبسط أحادي الخطوة يمكن أن يكون أكثر فعالية من محاولة محاكاة التعقيد الكامل للتوقيت البيولوجي لهذه المهمة المحددة.

ولتحسين النظام بشكل أكبر، استكشف الفريق تقنية تسمى "تقطير المعرفة" (knowledge distillation). فقد أدركوا أنه بينما كان نموذجهم الفعال رائعاً للتشغيل على الأجهزة الصغيرة، فإنه كان يعاني أحياناً من صعوبة في التعلم من البيانات المحدودة المتاحة في سيناريوهات العالم الحقيقي. ولحل هذه المشكلة، استخدموا نموذج "معلم" أكبر وأقوى لتوليد آلاف الأمثلة الاصطناعية لكيفية تصرف المبادل الحراري. ثم قاموا بتغذية هذه الأمثلة لنموذجهم "الطالب" الأصغر والأكثر كفاءة. سمحت هذه العملية للنموذج الطالب بالتعلم بشكل أكثر فعالية، مما قلل معدل الخطأ لديه إلى النصف مع الحفاظ على استهلاك الطاقة المنخفض. وقد أثبت هذا أن نموذجاً متطوراً كثيف البيانات يمكنه تعليم نموذج خفيف وصديق للحافة كيفية أداء مهام معقدة دون الحاجة إلى الأجهزة الثقيلة لتشغيل النموذج المعلم نفسه.

كما بحثت الدراسة فيما إذا كان يمكن تطبيق مكاسب الكفاءة هذه على العصبونات النبضية التقليدية الأكثر تعقيداً التي تستخدم بالفعل توقيتاً متعدد الخطوات. ومن خلال تطبيق نفس مبادئ التنشيط المتفرق على هذه النماذج القديمة، وجد الباحثون أنه يمكنهم تحسين أدائها وتقليل الأخطاء، على الرغم من أن هذه النماذج لا تزال تعتمد على طرق التدريب الأقل استقراراً التي تجنبها النهج الجديد. بالإضافة إلى ذلك، طوروا طريقة لتصفية الاتصالات غير الضرورية بين أجزاء المحاكاة المختلفة تلقائياً، مما قلل من الحمل الحوسبي بشكل أكبر. تشير هذه النتائج إلى أنه بينما يعد التوقيت البيولوجي المعقد أمراً رائعاً، فإن النهج الأبسط القائم على الأحداث والذي يركز على متى يظل صامتاً هو المسار الأكثر عملية لبناء مستشعرات فعالة في الوقت الفعلي وموفرة للطاقة للبنية التحتية الحيوية. يوفر هذا العمل معياراً جديداً لكيفية الموازنة بين السرعة والدقة والطاقة، مما يقدم مساراً قابلاً للتطبيق لنشر التوائم الرقمية المتقدمة على أجهزة الحافة التي تراقب عالمنا.