A novel higher-order internal model-based boundary iterative learning algorithm for hyperbolic systems with sensor-actuator network

في عالم الهندسة، لا تُعد العديد من الآلات والعمليات مجرد نقاط بسيطة ومعزولة، بل هي حقول شاسعة ومستمرة حيث تتغير الظروف عبر المكان والزمان. فكر في جسر طويل ومرن يتأرجح بفعل الرياح، أو حرارة تنتشر بشكل غير متساوٍ عبر قضيب معدني. وللتحكم في هذه الأنظمة المعقدة، يعتمد المهندسون غالبًا على تقنية تُسمى التعلم التكراري. تخيل ذراعًا روبوتية تؤدي مهمة لحام معينة ألف مرة؛ فمع كل محاولة، يتذكر الروبوت أخطاءه من المحاولة السابقة ويعدل حركاته قليلًا، ليصبح أكثر دقة مع كل تكرار. تعمل هذه الطريقة بشكل رائع عندما تكون المهمة متطابقة في كل مرة. ومع ذلك، فإن العالم الحقيقي نادرًا ما يكون بهذا القدر من القدرة على التنبؤ. فغالبًا ما يتغير الهدف نفسه من محاولة إلى أخرى؛ فقد تحتاج مصنع ما إلى لحام نمط مختلف قليلاً، أو قد يحتاج قطار إلى التوقف في محطة جديدة. وعندما يتحرك الهدف أو يتغير شكله مع كل محاولة، فإن طرق التعلم القياسية غالبًا ما تتعثر، لعدم قدرتها على التكيف لأنها تبحث عن نمط لم يعد موجودًا.

هذا هو التحدي المحدد الذي تعالجه دراسة جديدة تركز على الأنظمة الزائدية (hyperbolic systems)، وهي فئة من النماذج الرياضية المستخدمة لوصف الأمواج والإشارات التي تنتقل عبر الفضاء، مثل الاهتزازات في هيكل ما أو تدفق السوائل في أنبوب. لقد تصدى الباحث، مانقي ماو (Manqi Mao)، لمشكلة التحكم في هذه الأنظمة عندما يتغير المسار المنشود مع كل تكرار. وفي كثير من الحالات العملية، يكون وضع أجهزة الاستشعار وأجهزة التحكم في عمق النظام أمرًا مكلفًا للغاية أو مستحيلاً من الناحية الفيزيائية. وبدلاً من ذلك، يجب على المهندسين تطبيق التحكم فقط عند الحواف، أو الحدود، للنظام. وقد طور الباحث خوارزمية جديدة تسمح للنظام بتعلم كيفية تتبع هدف متحرك، حتى عندما يغير هذا الهدف نمطه مع كل محاولة منفردة. ومن خلال استخدام بنية رياضية محددة تُعرف بالنموذج الداخلي عالي الرتبة، يمكن للخوارزمية استباق كيفية تغير المسار المنشود، بدلاً من مجرد الاستجابة للأخطاء بعد وقوعها.

صمم الباحث استراتيجية تحكم لا تكتفي بمجرد تكرار نفس التصحيح مرارًا وتكرارًا، بل تبني تنبؤًا بكيفية تطور مسار الهدف. لقد أنشأ نظامًا يقدر الحالة الداخلية للآلة ويستخدم هذا التقدير لتوليد إشارة تحكم جديدة، ثم يتم صقل هذه الإشارة للمحاولة التالية. ولإثبات نجاح ذلك، أجرى الباحث عمليات محاكاة حاسوبية مفصلة على سيناريوهين مختلفين. في المثال الأول، قام بمحاكاة نظام بدون تأخير زمني، حيث يسري مفعول إجراء التحكم فورًا. وقد ضبط النظام ليتبع هدفًا يتغير وفقًا لقاعدة محددة، حيث يتغير شكله مع كل تكرار. وأظهرت النتائج أن الخوارزمية الجديدة نجحت في توجيه النظام نحو الهدف؛ فبعد عشرين محاولة، أصبح الفرق بين المسار الفعلي والمسار المنشود ضئيلاً للغاية، حيث استقر الخطأ عند أقل من 0.0026. وفي المقابل، فشلت طريقة التحكم التقليدية، التي لا تأخذ هذه الأهداف المتغيرة في الاعتبار، في التقارب، مما ترك النظام مع خطأ مستمر وكبير.

أدخلت المحاكاة الثانية طبقة من التعقيد: تأخير زمني. في العديد من الأنظمة الواقعية، يوجد فجوة زمنية بين إصدار الأمر واستجابة النظام، أو بين قياس المستشعر لقيمة ما واستخدام تلك المعلومات. اختبر الباحث خوارمايته على نظام تعتمد فيه حالة الآلة في أي لحظة على حالتها قبل كسر من الثانية. وحتى مع هذا التأخير، أثبتت الطريقة الجديدة فعاليتها. في هذا السيناريو، وصل النظام إلى مستوى عالٍ من الدقة في غضون ست عشرة تكرارًا، حيث قلل خطأ التتبع إلى أقل من 0.005. ومرة أخرى، عانت الطريقة التقليدية، وفشلت في تحسين أدائها مع استمرار التكرارات. وتثبت هذه المحاكاة أن النهج المقترح ليس مجرد فكرة نظرية، بل هو أداة عملية يمكنها التعامل مع الواقع الفوضوي للمهام المتغيرة والاستجابات المتأخرة.

يكمن جوهر هذا النجاح في كيفية تعامل الخوارزمية مع الطبيعة "المتغيرة بالتكرار" للمهمة. فبدلاً من افتراض أن الهدف ثابت، يعامل النظام التغييرات في الهدف كنمط يمكن تعلمه والتنبؤ به. ومن خلال دمج نموذج داخلي عالي الرتبة، يتعلم المتحكم جوهر "قواعد" كيفية تغير الهدف؛ وهذا يسمح له بالتحضير لمدخل التحكم المناسب قبل وقوع الخطأ حتى. وتؤكد الدراسة أنه باستخدام هذا النهج التنبئي، من الممكن تحقيق تحكم حدودي دقيق للأنظمة الشبيهة بالموجات المعقدة، حتى عندما لا يكون المسار المنشود هو نفسه من تجربة إلى أخرى. وتشير النتائج إلى أنه بالنسبة للمهندسين الذين يتعاملون مع الهياكل المرنة، أو ديناميكا السوائل، أو أي نظام يتطور هدفه بمرور الوقت، هناك الآن طريقة أكثر قوة لضمان قيام الآلة بما هو مطلوب منها بالضبط، تكرارًا تلو الآخر.