Dynamic analogue iterative computing with memristors for real-time robotic autonomy
تقدم هذه الورقة نظام حوسبة تكراري تناظري يعتمد على الممرستور (mAIC) يستخدم مخطط برمجة خطوة واحدة تنبؤي مع تعويض تناظري لتحقيق حل لمعادلات المصفوفات الديناميكية بكفاءة في استهلاك الطاقة، وزمن انتقال منخفض، ودقة عالية من أجل الاستقلالية الروبوتية في الوقت الفعلي، متفوقاً بشكل كبير على المنصات الرقمية التقليدية مثل NVIDIA Jetson.
تخيل أنك تحاول حل لغز ضخم ومتغير باستمرار بينما تركض في ماراثون. في عالم الروبوتات، هذا اللغز هو مجموعة من المسائل الرياضية تسمى "معادلات المصفوفات". هذه المعادلات هي عقل الروبوت، حيث تحسب باستمرار أين يوجد، وأين يحتاج للذهاب، وكيف يتجنب الاصطدام بالأشياء. الجزء الصعب هو أن قطع اللغز (الأرقام في المعادلة) تتغير كل ميلي ثانية مع رؤية الروبوت لعوائق جديدة أو انتقاله إلى أماكن جديدة.
تقليديًا، تحل الروبوتات هذه الألغاز باستخدام الحواسيب الرقمية، والتي تشبه المحاسبين فائق السرعة. يتعين عليها التوقف، وكتابة الأرقام، ونقلها من مكتب الذاكرة إلى مكتب الحساب، وإجراء العملية الحسابية، ثم نقل الإجابة مرة أخرى. هذا "التنقل ذهابًا وإيابًا" يستغرق وقتًا وطاقة، مثل عداء يتوقف لربط حذائه كل بضع خطوات. لقد حاول العلماء بناء نوع مختلف من العقول باستخدام مفاتيح إلكترونية صغيرة تسمى "الممرستورات" (memristors). فكر في الممرستورات كأنها إسفنجة سحرية يمكنها الاحتفاظ بكمية محددة من الماء (الكهرباء) لتمثيل رقم ما. إذا قمت بترتيب هذه الإسفنجات في شبكة، يمكنك حل اللغز الرياضي فورًا بمجرد صب الماء من خلالها، دون الحاجة أبدًا لتحريك الأرقام. لكن المشكلة هي أن هذه الإسفنجات فوضوية بعض الشيء؛ فتغيير مستوى الماء فيها بدقة يتطلب عادةً عملية بطيئة ومتكررة من "التخمين، والتحقق، والتعديل"، مما يستهلك كل الوقت والطاقة الموفرة.
تقدم هذه الورقة البحثية طريقة جديدة لاستخدام هذه الإسفنجات الفوضوية لحل ألغاز الروبوت المتغيرة بسرعة ودقة. طور الباحثون، الذين عملوا باستخدام أجهزة مصنعة في مصانع متخصصة، نظامًا أطلقوا عليه اسم "mAIC" (الحوسبة التكرارية التناظرية القائمة على الممرستور). وبدلاً من طريقة "التخمين والتحقق" البطيئة، ابتكروا خدعة ذكية تسمى "AC-PoP". تخيل أنك بحاجة لملء دلو حتى خط محدد بدقة؛ بدلاً من ملء الدلو قطرة بقطرة والتحقق من المستوى بعد كل قطرة، فإنك تستخدم خريطة خاصة توضح كيف يسرب الدلو ويمتلئ لتتوقع بالضبط كمية الماء التي ستصبها في دفعة واحدة. إذا أخطأت الهدف بنسبة ضئيلة، فإن نظامك يمتلك إسفنجة ثانية وثالثة ورابعة جاهزة لإضافة القدر الصحيح من "ماء التصحيح" فورًا لإصلاح الخطأ. يتيح ذلك للروبوت تحديث لغزه الرياضي في لمح البصر، دون عملية التحقق البطيئة.
عندما اختبروا هذا النظام على روبوت حقيقي يتنقل في مسار وعلى مهمة رسم خرائط معقدة (تسمى SLAM)، كانت النتائج مذهلة. فقد حل النظام الجديد المسائل الرياضية بدقة تكاد تكون مطابقة لأفضل الحواسيب الرقمية، ولكنه كان أسرع بكثير واستهلك طاقة أقل بكثير. مقارنة بحاسوب روبوت قياسي (NVIDIA Jetson)، كان النظام الجديد أسرع بـ 4.4 مرة واستهلك طاقة أقل بمقدار 627.9 مرة. وحتى عند مقارنته بالطريقة القديمة الأبطأ لبرمجة الإسفنجات، كان هذا الأسلوب الجديد أسرع بـ 345 مرة في تحديث قطع اللغز. لقد أظهر الباحثون أنه من خلال الجمع بين خدعة "التنبؤ بضربة واحدة" هذه وبين التدفق المستمر للكهرباء، يمكن للروبوتات أخيرًا امتلاك عقل يحدّث أفكاره في الوقت الفعلي، بنفس سرعة تغير العالم من حولها، ودون أن تنفد بطاريتها.
ملخص تقني: الحوسبة التكرارية التناظرية الديناميكية باستخدام الممرستورات من أجل الاستقلالية الروبوتية في الوقت الفعلي
بيان المشكلة تتطلب أنظمة الروبوتات المتنقلة المستقلة (AMR) تقديرًا وتحسينًا وتحكمًا في الوقت الفعلي، وهي عمليات ترتكز أساسًا على معادلات المصفوفات الديناميكية (A(t)x(t)=b(t)). وخلافًا لأعباء عمل الذكاء الاصطناعي الثابتة، تتضمن المهام الروبوتية مثل التحديد المتزامن للموقع ورسم الخرائط (SLAM) وتخطيط المسار مصفوفات معاملات يجب تحديثها بشكل متكرر استجابةً للمدخلات الحسية المتغيرة والظروف البيئية. تواجه بنيات "فون نيومان" الرقمية الحالية عائق "جدار الذاكرة"، حيث يؤدي نقل البيانات بين وحدات الذاكرة والمعالجة المنفصلة إلى تكبد زمن انتقال وتكاليف طاقة كبيرة أثناء الحل التكراري. وبينما تقدم الحوسبة داخل الذاكرة التناظرية (ACIM) القائمة على الممرستور (Memristor) مسارًا واعدًا لأداء ضرب المصفوفات في المتجهات (MVM) في الموقع بكفاءة عالية، فإن تطبيقها على أعباء العمل الديناميكية يعوقه تحديان رئيسيان:
ارتفاع تكلفة تحديث المصفوفات: يتطلب البرمجة الدقيقة لموصلية الممرستور عادةً عمليات كتابة وتحقق (WVP) تكرارية للتعويض عن العشوائية والتباين في الأجهزة. وفي السيناريوهات الدينالميكية، يمكن لتكاليف الطاقة وزمن الانتقال الناتجة عن هذه التحديثات المتكررة أن تلغي الفوائد الحسابية للتسريع التناظري.
الدقة في الحل الديناميكي: تعاني الحلول الهجينة (التناظرية-الرقمية) الموجودة من أعباء نقل البيانات الناتجة عن عمليات التحويل المتكررة من تناظري إلى رقمي (AD) ومن رقمي إلى تناظري (DA). وعلى العكس من ذلك، فإن الحلول التناظرية الكاملة حساسة لتباين الأجهزة والعيوب في الدوائر، مما يجعل الحل عالي الدقة أمرًا صعبًا دون معالجة المتطلبات المحددة للمصفوفات المتغيرة باستمرار.
المنهجية يقترح المؤلفون نظام حوسبة تكرارية تناظرية قائمة على الممرستور (mAIC) مصمم لحل معادلات المصفوفات الديناميكية بكفاءة ودقة. يدمج النظام ابتكارين جوهريين:
البرمجة التنبؤية بخطوة واحدة المعوضة تناظريًا (AC-PoP):
لمعالجة عائق التحديث، طور المؤلفون مخططًا يستبدل عملية الكتابة والتحقق (WVP) التكرارية بنبضة تنبؤية واحدة متبوعة بتعويض تناظري.
باستخدام نموذج تنبئي مشخص مسبقًا لاستجابة "ماكرو" الممرستور (Δg=f(V))، يقوم النظام بحساب نبضة برمجة واحدة لدفع الجهاز نحو حالة موصلية مستهدفة.
نظرًا لأن البرمجة التنبؤية تؤدي حتمًا إلى بقاء أخطاء متبقية بسبب التباين بين جهاز وآخر (D2D) والتباين من دورة إلى أخرى (C2C)، يستخدم المخطط آلية تعويض متعددة المراحل؛ حيث يتم تمرير الخطأ المتبقي إلى "ماكروهات" (أو دورات) لاحقة حيث يتم تصحيحه، مما يسمح بتحديثات دقيقة للمصفوفة دون زمن انتقال التحقق التكراري.
يتم التعامل مع تحديثات المصفوفة الموقعة عبر مخطط ترميز تفاضلي (GN=G+−G−)، حيث يتم تصنيف التحديثات كعمليات تغيير في المقدار فقط أو تغيير في الإشارة لتحسين عمليات الضبط (set/reset).
المحلل ذو التغذية الراجعة المستمرة في الزمن التناظري:
ينفذ نظام mAIC بنية تكرارية تناظرية بالكامل لحل معادلات المصفوفات مباشرة في المجال التناظري.
يتم تحويل معادلة المصفوفة إلى صيغة تكرارية (xi+1=Bxi+f). ويتم تحقيق مصفوفة التكرار B باستخدام مصفوفات موصلية متعددة مُدرجة بمكبرات ترانزيمبيدانس (TIAs).
يعمل النظام كدائرة تغذية راجعة مغلقة حيث يتم جمع مخرجات ضرب المصفوفات في المتجهات (MVM) مع متجه الحد f وتغذيتها كمدخل للدورة التالية. يسمح هذا بالتقارب في الزمن المستمر دون الحاجة لعمليات تحويل AD/DA متكررة.
تستخدم المنصة العتادية وحدات "ماكرو" من نوع 1T1R (ترانزستور واحد-مقاوم واحد) من أكسيد التانتالوم (TaOx) المصنعة في المصانع، والمدمجة مع دوائر CMOS، بما في ذلك المتحكمات الدقيقة، وبوابات النقل، والمجمعات التناظرية.
المساهمات الرئيسية
مخطط AC-PoP: استراتيجية برمجة مبتكرة تمكن من إجراء تحديثات ديناميكية دقيقة، منخفضة زمن الانتقال، وفعالة في استهلاك الطاقة للمصفوفات على أجهزة ممرستور غير مثالية، مما يقلل الحاجة إلى دورات الكتابة والتحقق التكرارية.
نظام mAIC المتكامل: عرض عتادي يجمع بين AC-PoP ومحلل تناظري مستمر في الزمن، محققًا دقة مقاربة للبرمجيات لأعباء العمل الديناميكية.
تحليل القابلية للتوسع: تقييم استراتيجية رسم الخرائط القائمة على الكتل (block-wise mapping) لمعادلات المصفوفات المتفرقة واسعة النطاق، مما يوضح قدرة النظام على التعامل مع مهام SLAM واسعة النطاق مع التخفيف من عيوب الدوائر مثل هبوط الجهد (IR-drop).
النتائج تم التحقق من صحة النظام باستخدام وحدات "ماكرو" ممرستور مصنعة في المصانع على مهام روبوتية محاكية وواقعية:
كفاءة التحديث: مقارنة بطريقة WVP التقليدية، قلل مخطط AC-PoP من طاقة تحديث المصفوفة بمقدار 101 ضعف ومن زمن الانتقال بمقدار 345 ضعفًا مع الحفاظ على دقة تحديث مماثلة.
تحسين خلفية SLAM: في مهمة تحديد موقع SLAM مشتقة من مجموعة بيانات KITTI، حقق نظام mAIC خطأً نسبيًا في رسم الموصلية بنسبة 0.09% (عند 3 دورات تعويض) ومتوسط خطأ في الحل قدره 4.57×10−4. حقق المسار المعاد بناؤه خطأ في الترجمة بنسبة 0.49%، وهو ما يقارب خطأ 0.39% الذي حققه المحلل المباشر القائم على وحدة المعالجة المركزية (CPU).
تخطيط المسار في العالم الحقيقي: في تجربة روبوت متنقل مادي تتضمن إعادة تخطيط ديناميكي في بيئة متغيرة، حقق نظام mAIC انخفاضًا في زمن انتقال المعالجة بمقدار 4.4 ضعف وانخفاضًا في استهلاك الطاقة بمقدار 627.9 ضعفًا مقارنة بمنصة NVIDIA Jetson. حافظ النظام على متوسط خطأ حل مطلق يبلغ حوالي 1.85×10−3 عبر 40 خطوة من خطوات إعادة التخطيط.
القابلية للتوسع: أظهرت محاكاة SPICE لمهام SLAM واسعة النطاق باستخدام رسم خرائط كتل الصفوف أن النظام يمكنه التقارب في غضون 19.8 ميكروثانية لكل عملية حل مع حد أدنى من فقدان الدقة بالنسبة للمراجع الرقمية، حتى مع زيادة مقاييس المصفوفة.
الأهمية والادعاءات يزعم هذا البحث أن هذا العمل ينقل الحوسبة القائمة على الممرستور من نموذج تسريع المصفوفات الثابتة بشكل أساسي نحو حوسبة تناظرية دقيقة وقابلة لإعادة التشكيل ديناميكيًا. ومن خلال حل العائق الحرج المتمثل في التحديثات المتكررة للمصفوفات عبر مخطط AC-PoP، يوضح المؤلفون أن الحوسبة داخل الذاكرة (ACIM) القائمة على الممرستور يمكن أن تدعم الاستقلالية الروبوتية في الوقت الفعلي بملفات تعريف طاقة وزمن انتقال أفضل من المعالجات الرقمية الطرفية المتطورة.
يضع المؤلفون هذه القدرة كأساس للذكاء الطرفي المستقبلي، مشيرين إلى أن التحديثات الديناميكية الفعالة في العتاد الممرستوري يمكن أن تمكن التكيف عبر الإنترنت، والتعلم في الموقع، والتطور المستمر للنماذج استجابةً للبيئات الفيزيائية. لا يدعي العمل حل جميع تحديات حوسبة الممرستور، بل يعالج تحديدًا الانتقال من أعباء العمل الثابتة إلى الديناميكية، مما يوفر مسارًا قابلاً للتنفيذ نحو رقائق mAIC متكاملة بالكامل لتطبيقات الروبوتات المتنقلة المعقدة.