On-Board Real-Time AI Compensation System for Nonlinear Drift in Electrochemical Seismometers

Resumen Técnico: Sistema de Compensación de IA en Tiempo Real a Bordo para la Deriva No Lineal en Sismómetros Electroquímicos

Planteamiento del Problema
Los sismómetros electroquímicos (MET) están emergiendo como sensores de próxima generación prometedores para la exploración geofísica debido a su alta sensibilidad, amplio ancho de banda y robustez frente a la inclinación e impactos. Sin embargo, su aplicación práctica se ve obstaculizada por una significativa no linealidad dependiente de la magnitud. Esta no linealidad surge del complejo acoplamiento de procesos mecánicos, de fluidos y electroquímicos, lo que provoca una deriva en la respuesta de frecuencia (cambios en la frecuencia natural y la sensibilidad) que degrada la calidad de los datos sísmicos y la fiabilidad de la detección de eventos.

Las estrategias de mitigación tradicionales enfrentan limitaciones distintas:

• Optimización Estructural: Aunque las mejoras en el diseño de los MEMS aumentan la consistencia, ofrecen mejoras de linealidad limitadas, restringiendo típicamente la operación cuasi-lineal a magnitudes de entrada pequeñas (p. ej., < 0.13 m/s²).
• Retroalimentación de Fuerza (Force Feedback): La retroalimentación activa puede suprimir la no linealidad, pero introduce complejidad mecánica y riesgos de oscilación de bucle cerrado ante grandes magnitudes debido a la reducción de los márgenes de fase.
• Aprendizaje Profundo Basado en Datos (Deep Learning): Aunque son precisos, los modelos de aprendizaje profundo estándar (p. ej., MLPs, RNNs) dependen de operaciones matriciales intensivas que luchan por cumplir con los requisitos de procesamiento en tiempo real en microcontroladores con recursos limitados. Además, los enfoques puramente basados en datos suelen ignorar las características físicas específicas de la respuesta de frecuencia.

Metodología: Wiener-KAN
Para abordar el doble desafío de la ejecución en tiempo real en hardware embebido y la necesidad de interpretabilidad física, los autores proponen Wiener-KAN, un sistema de compensación feedforward diseñado para la ejecución en tiempo real a bordo. La arquitectura integra tres componentes principales:

1. Descomposición del Modelo Wiener: El sistema adopta el concepto del modelo de Wiener, separando la tarea de compensación en una parte dinámica lineal y una parte no lineal estática.

   • Capa Lineal (Capa Lineal de Wiener): En lugar de aprender la dinámica desde cero, esta capa se inicializa con funciones de transferencia locales condicionadas por la magnitud. Estas se derivan de las mediciones de las secciones de respuesta en frecuencia para magnitudes fijas, inyectando un prior físico que permite la extracción rápida de características de frecuencia.
   • Capa No Lineal (KAN): Una Red Kolmogorov-Arnold (KAN) con funciones de activación de spline entrenables gestiona la no linealidad restante dependiente de la magnitud. Para alinearse con el comportamiento físico de los sensores MET, la KAN emplea restricciones de signo y simetría (simetría impar y positividad) para asegurar que el mapeo preserve la consistencia direccional y la monotonicidad.

2. Pérdida de Amplitud-Frecuencia (AFMAE): Reconociendo que las pérdidas de punto estándar (MAE/MSE) son insuficientes para preservar las características de la respuesta de frecuencia, los autores introducen una función de pérdida personalizada. La AFMAE cuantifica la discrepancia de amplitud logarítmica entre la salida compensada y la referencia ideal en el dominio de la frecuencia. Esto se combina con la MAE estándar para optimizar conjuntamente la fidelidad de la forma de onda en el dominio del tiempo y la estabilidad en el dominio de la frecuencia.

3. Despliegue Embebido en Tiempo Real (LUT): Para superar el cuello de botella computacional de evaluar funciones de spline en microcontroladores, las funciones de activación KAN entrenadas se precomputan en tablas de búsqueda (LUTs) después del entrenamiento. Durante la inferencia, las evaluaciones complejas de splines de punto flotante se reemplazan por direccionamiento de memoria y búsquedas en tablas de ultra baja latencia, permitiendo el procesamiento punto a punto en un flujo de muestreo continuo.

Contribuciones Clave

• Arquitectura Wiener-KAN: Un novedoso modelo híbrido que combina una capa lineal de Wiener informada por la física con una KAN restringida para el mapeo no lineal, diseñado específicamente para la compensación de sensores.
• Conjunto de Datos de Respuesta de Frecuencia Tridimensional: Los autores construyeron y liberaron un conjunto de datos exhaustivo que captura los efectos de acoplamiento amplitud-frecuencia. Incluye 300 condiciones operativas (12 frecuencias × 25 magnitudes) con secuencias de dominio del tiempo emparejadas, registrando la transición de la linealidad de señal pequeña a la no linealidad de señal grande.
• Función de Pérdida AFMAE: Una métrica de pérdida especializada diseñada para atacar explícitamente la deriva de la respuesta de frecuencia y la estabilidad de la sensibilidad, en lugar de solo el error en el dominio del tiempo.
• Optimización Embebida: Una estrategia de despliegue que convierte las redes neuronales basadas en splines en tablas de búsqueda, logrando un alto rendimiento en hardware con recursos limitados sin sacrificar la expresividad del modelo.

Resultados Experimentales
El sistema fue evaluado en un microcontrolador STM32F405 utilizando un conjunto de datos que cubre magnitudes de entrada desde 0.24 hasta 6.0 m/s² (un incremento >10× sobre los referentes anteriores).

• Desempeño de la Compensación: Wiener-KAN redujo significativamente las métricas físicas clave en comparación con el sensor sin compensar:
  • Deriva de Frecuencia: Reducida de 34.50 Hz a 2.34 Hz.
  • Deriva de Sensibilidad (a 100 Hz): Reducida de 84.56 V·s/m a 9.09 V·s/m.
  • Error de Linealidad: Reducido de 2.004% a 0.511%.
• Comparación con Baselines: Wiener-KAN superó a varios modelos de series temporales (1DCNN, TCN, RNN, GRU, LSTM, LSTM-Transformer) tanto en precisión de compensación física como en eficiencia a bordo. Por ejemplo, mientras que TCN logró un error de linealidad similar, su rendimiento (throughput) fue significativamente menor.
• Viabilidad en Tiempo Real: La implementación basada en LUT logró un rendimiento de 6986.7 puntos/s con una huella mínima de RAM de 5.6 KB, satisfaciendo los requisitos de tiempo real para el muestreo sísmico continuo.

Significación y Reivindicaciones
El artículo afirma que Wiener-KAN proporciona una solución efectiva para la compensación no lineal en tiempo real de sismómetros electroquímicos sin la necesidad de hardware adicional de retroalimentación de fuerza. Al descomponer el problema en una etapa lineal inicializada físicamente y una etapa no lineal restringida, el método preserva la interpretabilidad del modelo de señal pequeña del sensor mientras maneja la no linealidad de señal grande analíticamente difícil.

El trabajo demuestra que la compensación de software feedforward puede suprimir eficazmente la deriva dependiente de la magnitud, extendiendo así el rango dinámico y mejorando la fiabilidad de los sensores MET en la exploración geofísica. El flujo de trabajo propuesto —vinculando pruebas de amplitud-frecuencia, priors físicos, mapeo KAN restringido e inferencia basada en LUT— ofrece un camino reproducible para desplegar compensación de IA en tiempo real en dispositivos de borde (edge devices). Los autores señalan que los resultados son específicos para la muestra de sensor y las condiciones ambientales probadas, lo que sugiere que el flujo de trabajo es adaptable a otras estructuras MET siempre que se vuelvan a medir las respuestas de frecuencia locales y se reconstruya el sistema de referencia.