Robust Multi-Sensor Fusion via Memristive Deep Reservoir Computing With Differential-Pair Fault Tolerance

تخيل سيارة ذاتية القيادة تشق طريقها في شارع مدينة ممطر أو طائرة بدون طيار تحاول الهبوط على منصة هبوط في ظروف جوية عاصفة. تعتمد هذه الآلات على تدفق مستمر من البيانات من الكاميرات والرادار وأجهزة استشعار أخرى لاتخاذ قرارات في أجزاء من الثانية. إذا فشل مستشعر واحد أو قدم إشارة مشوشة، يمكن للنظام بأكته أن يصاب بالارتباك، مما قد يؤدي إلى كارثة. لسنوات، حاول المهندسون حل هذه المشكلة عن طريق بناء أدمغة رقمية معقدة يمكنها التعلم لتجاهل البيانات السيئة، لكن هذه الأنظمة غالبًا ما تستهلك طاقة كبيرة بالنسبة للأجهزة الصغيرة وتواجه صعوبة عندما تواجه أعطالاً لم يسبق لها رؤيتها من قبل. يتطلع نهج جديد إلى الأجهزة نفسها لإيجاد حل، باستخدام نوع من المكونات الإلكترونية يسمى "الممرستور" (memristor). يمكن لهذه الأجهزة الصغيرة تخزين المعلومات ومعالجتها في آن واحد، محاكيةً الطريقة التي تعمل بها الخلايا العصبية البيولوجية، مما يجعلها فعالة للغاية. ومع ذلك، مثل أي مكون مادي، فإن الممرستورات عرضة لعيوب التصنيع والتهالك بمرور الوقت، مما يؤدي إلى تعثرها في حالات معينة أو تقلبها بشكل غير متوقع. هذا عدم الموثوقية المتأصل لطالما كان عائقًا أمام استخدامها في الآلات الواقعية ذات الأهمية المتعلقة بالسلامة.

قام باحثون من جامعة هونان وأكاديمية شرطة هونان بتطوير طريقة جديدة لجعل هذه الأنظمة الإلكترية الهشة قوية بما يكفي للاستخدام في العالم الحقيقي. لقد أنشأوا إطار عمل يسمح للحاسوب بالتعلم والتكيف حتى عندما تكون مكوناته الداخلية معيبة. يتضمن جوهر عملهم تقنية تسمى "الحوسبة الخزانية" (reservoir computing)، والتي تستخدم شبكة واسعة متصلة عشوائيًا بأوزان ثابتة لمعالجة المعلومات القائمة على الوقت، مثل المشهد المتغير من كاميرا السيارة أو الارتفاع المتغير لطائرة بدون طيار. وبدلاً من محاولة إصلاح كل جزء مكسور في الأجهزة، صمم الباحثون نظامًا يتوقع هذه الأخطاء ويعوض عنها في ثلاث مراحل مختلفة: قبل بناء النظام، وعند تشغيله لأول مرة، وأثناء تشغيله.

اكتشف الفريق أن الطريقة التي تُخزن بها المعلومات في الأجهزة تحدث فرقًا هائلاً في مدى قدرة النظام على الصمود أمام الأخطاء. لقد قارنوا بين طريقتين: استخدام ممرستور واحد لتمثيل قيمة ما مقابل استخدام زوج من الممرستورات يعملان معًا لتمثيل الفرق. ووجدوا أنه بينما تعاني كلتا الطريقتين من نفس المتوسط في انخفاض الأداء عند فشل الأجزاء، فإن النهج المزدوج أكثر استقرارًا بكثير. فعندما يتعثر مكون واحد، يمكنه تدمير القيمة التي من المفترض أن يحملها تمامًا. ولكن عندما يعمل مكونان كزوج، إذا تعثر أحدهما، يمكن للآخر غالبًا التعويض، مما يبقي القيمة الإجمالية قريبة جدًا مما ينبغي أن تكون عليه. هذا التغيير البسيط في كيفية ترميز البيانات يقلل بشكل كبير من الفوضى الناجمة عن الأجزاء المعيبة.

ولجعل هذا النظام يعمل في الممارسة العملية، بنى الباحثون شبكة أمان مكونة من ثلاث خطوات. أولاً، خلال مرحلة التصميم، قاموا بتعديل الإعدادات الداخلية للشبكة لتوقع أن بعض الأجزاء ستكون أضعف أو أقوى مما هو مقصود، مما يعني معايرة النظام مسبقًا للتعامل مع متوسط مقدار الخطأ. ثانيًا، عند تشغيل النظام، فإنه يجري فحصًا ذاتيًا سريعًا لقياس كيفية سلوك أجهزته الخاصة بدقة ويجري تعديلات دقيقة لضمان بقائه مستقرًا. وأخيرًا، أثناء تشغيل الآلة، يقوم النظام بتحديث قواعد اتخاذ القرار الخاصة به باستمرار بناءً على البيانات التي يتلقاها، مما يسمح له بالتكيف مع التغيرات البطيئة أو الأعطال غير المتوقعة في الوقت الفعلي. هذا المزيء من التخطيط المسبق، والفحص الذاتي، والتعلم المستمر يسمح للنظام بالحفاظ على دقة عالية حتى عندما يكون جزء كبير من أجهزته معيبًا.

اختبر الباحثون هذا النهج في سيناريوهين متطلبين: القيادة الذاتية وهبوط الطائرة بدون طيار. لقد قاموا بمحاكاة سيارة ذاتية القيادة باستخدام مجموعة بيانات مستمدة من تسلسلات قيادة حقيقية، تم تحويلها إلى إشارات جهد للتجربة، وطائرة بدون طيار تهبط على طائرة ذات أجنحة ثابتة باستخدام مجموعة بيانات اصطناعية تتضمن هبات الرياح وتأثيرات الأرض. في اختبار القيادة، كان على النظام تحديد أشياء مثل السيارات والمشاة. وفي اختبار الطائرة بدون طيار، كان عليه حساب الارتفاع الدقيق المطلوب للهبوط بأمان. وعندما أدخلوا معدلًا مرتفعًا من أعطال الأجهزة -محاكيين حالة تعطل أو توقف 20 بالمائة من المكونات- حافظت طريقتهم الجديدة على عمل النظام بدقة ملحوظة. في سيناريو القيادة، انخفض معدل الخطأ من ما يقرب من 30 بالمائة إلى أقل من 2 بالمائة. وبالنسبة لهبوط الطائرة بدون طيار، تم تقليل خطأ الارتفاع، الذي كان من الممكن أن يصل إلى 26 مترًا مع نظام معيب، إلى 0.59 مترًا فقط.

تشير هذه النتائج إلى أن إطار العمل المقترح ليس مجرد تمرين نظري، بل هو مسار قابل للتطبيق لبناء آلات موثوقة وفعالة في استهلاك الطاقة يمكنها العمل في العالم الحقيقي. أظهرت الدراسة أن طريقتهم تفوقت على التقنيات الموجودة التي حاولت إصلاح الأخطاء عن طريق إعادة تدريب النظام أو إضافة أجهزة إضافية. ومن خلال الجمع بين طريقة أذكى لترميز البيانات ونهج متعدد الطبقات لتصحيح الأخطاء، أثبت الباحثون أنه من الممكن بناء أنظمة معقدة تتحمل الأعطال ولا تتطلب أجهزة مثالية لتعمل. هذه خطوة مهمة نحو مستقبل التكنولوجيا ذاتية القيادة، حيث يمكن أن تكون القدرة على الاستمرار في العمل رغم فشل المكونات هي الفارق بين رحلة آمنة وفشل كارثي.