BRB-GNN: Hybrid Belief Rule Base and Graph Neural Network Framework for Interpretable Fault Diagnosis in Wireless Sensor Networks

एक ऐसे शहर की कल्पना करें जहाँ हर स्ट्रीटलाइट, पार्क बेंच और ट्रैफिक सिग्नल वास्तव में एक छोटा, बैटरी से चलने वाला कंप्यूटर है जो अपने पड़ोसियों से बात कर रहा है। यह एक वायरलेस सेंसर नेटवर्क (WSN) है। ये नेटवर्क आधुनिक जीवन की तंत्रिका प्रणाली (nervous system) हैं, जो चुपचाप जंगल की आग से लेकर कारखानों की मशीनों तक सब कुछ मॉनिटर करते हैं। लेकिन यहाँ एक पेंच है: ये छोटे कंप्यूटर मजबूत तो हैं, लेकिन वे पूर्ण नहीं हैं। वे अटक सकते हैं, स्टैटिक शोर के साथ पागल हो सकते हैं, या तापमान के बारे में झूठ बोलना शुरू कर सकते हैं। जब वे ऐसा करते हैं, तो पूरा नेटवर्क भ्रमित हो सकता है, जैसे एक कोरस जहाँ आधे गायक गलत धुन गुनगुना रहे हों।

लंबे समय तक, वैज्ञानिकों ने सरल "यदि-तो" (if-then) नियमों को स्थापित करके इसे ठीक करने की कोशिश की। यह एक सुरक्षा गार्ड की तरह है जो कहता है, "यदि तापमान 5 डिग्री से अधिक बढ़ जाता है, तो अलार्म बजाएं!" लेकिन जब नेटवर्क बहुत बड़ा और समस्याएँ जटिल होती हैं, तो यह उलझ जाता है। यदि एक सेंसर झूठ बोलता है, तो वह अपने पड़ोसी को धोखा दे सकता है, जो फिर अगले को धोखा दे सकता है, जिससे त्रुटियों का एक डोमिनो प्रभाव पैदा होता है। हाल ही में, ग्राफ न्यूरल नेटवर्क्स (GNN) नामक स्मार्ट कंप्यूटरों का उपयोग इन कनेक्शनों को मैप करने के लिए किया गया है, जो एक जासूस की तरह काम करते हैं जो समझते हैं कि पड़ोसी एक-दूसरे को कैसे प्रभावित करते हैं। हालाँकि, ये जासूस अक्सर "ब्लैक बॉक्स" होते हैं—वे एक उत्तर देते हैं, लेकिन आप उनसे यह नहीं पूछ सकते कि उन्हें ऐसा क्यों लगा। दूसरी ओर, "बलीफ रूल बेस" (BRBs) हैं, जो पुराने जमाने के विशेषज्ञों की तरह हैं जो एक स्पष्ट नियम पुस्तिका का पालन करते हैं और अपने तर्क को समझा सकते हैं, लेकिन वे कभी-कभी यह देखने में संघर्ष करते हैं कि पूरे नेटवर्क का व्यापक चित्र कैसा है। बड़ा सवाल यह है: क्या हम एक ऐसा सिस्टम बना सकते जिसमें जासूस की पूरी पड़ोस को देखने की क्षमता और विशेषज्ञ की निर्णय लेने के पीछे के सटीक कारण बताने की क्षमता दोनों हों?

राजेश कुमार प्रसाद ने BRB-GNN नामक एक नए फ्रेमवर्क के साथ यही करने की कोशिश की। इसे एक टीम को काम पर रखने के रूप में सोचें जहाँ एक सुपर-स्मार्ट AI जासूस (GNN) पड़ोस से सुराग इकट्ठा करता है, और फिर वे सुराग एक बुद्धिमान, नियम का पालन करने वाले न्यायाधीश (BRB) को सौंप देता है जो अंतिम निर्णय लेता है और तर्क लिखता है। लक्ष्य एक ऐसा दोष निदान (fault diagnosis) सिस्टम बनाना था जो न केवल एक साथ कई प्रकार के खराब सेंसरों को पहचानने में सक्षम हो, बल्कि इतना पारदर्शी भी हो कि मनुष्य उस पर भरोसा कर सकें और समझ सकें।

शोधकर्ता ने इस विचार का परीक्षण करने के लिए एक डिजिटल प्लेग्राउंड बनाया—50 सेंसरों का एक सिम्युलेटेड नेटवर्क जिसे 'स्मॉल-वर्ल्ड पैटर्न' में व्यवस्थित किया गया था, ठीक वैसे ही जैसे लोग एक शहर में एक-दूसरे से जुड़े होते हैं। उन्होंने सेंसरों में चार अलग-अलग प्रकार की "बीमारी" डाली: कुछ बस रुक गए (stuck-at), कुछ रैंडम शोर चिल्लाने लगे, कुछ अतिरिक्त नंबर जोड़कर झूठ बोलने लगे (gain/offset), और कुछ स्वस्थ रहे। उन्होंने विभिन्न स्तरों के अराजक (chaos) स्तरों के लिए सिमुलेशन को 10 बार चलाया ताकि यह देखा जा सके कि उनकी नई हाइब्रिड टीम पुराने गार्ड की तुलना में कितनी अच्छी तरह प्रदर्शन करती है।

यहाँ एक मोड़ है: जबकि इन दो शक्तिशाली तरीकों को मिलाने का विचार एक गारंटीकृत जीत जैसा लगता है, परिणाम थोड़े विनम्र रहे। इन सिमुलेशन में, नए BRB-GNN सिस्टम ने लगभग 25.23% बार (±1.07% के मामूली उतार-चढ़ाव के साथ) दोषपूर्ण सेंसरों की सही पहचान की। यदि आप चार विकल्पों वाले प्रश्न पर केवल रैंडम अनुमान लगाते, तो आप लगभग 25% बार सही होते। पेपर सुझाव देता है कि, शुद्ध सटीकता के मामले में, यह नया सिस्टम अन्य तरीकों या यहाँ तक कि रैंडम चांस से भी नाटकीय रूप से बेहतर नहीं था। वास्तव में, सिस्टम समस्याओं को खोजने के लिए इतना उत्सुक था कि उसने 70.93% बार एक गलत अलार्म (यह कहना कि एक स्वस्थ सेंसर टूटा हुआ है) उठाया।

हालाँकि, पेपर का तर्क है कि वास्तविक विजय "कितने पकड़े गए" के स्कोरबोर्ड में नहीं है, बल्कि "हम कैसे जानते हैं?" विभाग में है। अध्ययन स्पष्ट रूप से इस विचार को खारिज करता है कि हमें केवल ब्लैक-बॉक्स AI जासूसों का उपयोग करना चाहिए क्योंकि वे खुद को समझा नहीं सकते। इसके बजाय, BRB-GNN इसलिए चमकता है क्योंकि यह अपने निर्णय लेने की प्रक्रिया को स्पष्ट, पता लगाने योग्य नियमों में तोड़ देता है। उदाहरण के लिए, सिस्टम ने दिखाया कि एक विशिष्ट नियम "gain/offset" दोषों को 38.3% बार पकड़ने के लिए जिम्मेदार था, जबकि दूसरे नियम ने "stuck-at" दोषों को संभाला। इसका मतलब है कि एक मानव इंजीनियर सिस्टम के लॉग को देख सकता है और कह सकता है, "आह, नियम #3 ट्रिगर हुआ क्योंकि सेंसर बहुत अधिक गर्मी जोड़ रहा था," बजाय इसके कि केवल एक रहस्यमय "दोष का पता चला" (Fault Detected) संदेश देखे।

लेखक ने अपने सिस्टम का परीक्षण इंटेल बर्कले लैब के वास्तविक डेटा पर भी किया, जिसमें वास्तविक तापमान और आर्द्रता रीडिंग शामिल थी। इस वास्तविक परिदृश्य में, सिस्टम ने 25% सही पहचान दर के साथ 0% गलत अलार्म दर प्राप्त की। हालाँकि, पेपर सावधानी बरतते हुए नोट करता है कि इस परिणाम की अधिक जाँच की आवश्यकता है; 0% गलत अलार्म दर का अर्थ यह भी हो सकता है कि सिस्टम ने वास्तव में दोषों की पहचान करने के बजाय केवल यह भविष्यवाणी की कि प्रत्येक सेंसर सामान्य है (एक "डिजेनरेट" भविष्यवाणी)। इस परिणाम को सामान्यीकरण के प्रमाण के रूप में पूरी तरह से विश्वसनीय बनाने के लिए पूर्ण प्रति-वर्ग (per-class) रिपोर्टिंग की आवश्यकता है।

अंततः, यह पेपर सुझाव देता है कि भले ही BRB-GNN फ्रेमवर्क कोई जादुई समाधान नहीं है जो तुरंत सभी पहचान समस्याओं को हल कर दे, यह उच्च-तकनीकी AI और मानवीय समझ के बीच एक सेतु बनाने में सफल रहा है। यह साबित करता है कि आप एक ऐसा सिस्टम बना सकते हैं जो जटिल नेटवर्क संबंधों को मैप करता है और अपने तर्क का एक स्पष्ट, लिखित रिकॉर्ड भी रखता है। लेखक निष्कर्ष निकालते हैं कि वास्तविक मूल्य इसकी व्याख्यात्मकता (interpretability) में निहित है—इंजीनियरों को मशीन के निदान पर भरोसा करने के लिए उपकरण देना क्योंकि वे निर्णय के पीछे की नियम पुस्तिका को देख सकते हैं, भले ही मशीन को अभी भी "गलत अलार्म" बजाने से बेहतर होने की आवश्यकता हो।