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

कल्पना कीजिए कि एक सेल्फ-ड्राइविंग कार बारिश वाली शहर की सड़क पर चल रही है या एक ड्रोन तेज़ हवाओं के बीच लैंडिंग पैड पर उतरने की कोशिश कर रहा है। ये मशीनें निर्णय लेने के लिए कैमरों, रडार और अन्य सेंसरों से प्राप्त डेटा के निरंतर प्रवाह पर निर्भर करती हैं। यदि एक सेंसर विफल हो जाता है या गलत संकेत प्रदान करता है, तो पूरा सिस्टम भ्रमित हो सकता है, जिससे संभावित रूप से आपदा आ सकती है। वर्षों से, इंजीनियरों ने इसे हल करने के लिए जटिल डिजिटल मस्तिष्क बनाने की कोशिश की है जो खराब डेटा को अनदेखा करना सीख सकें, लेकिन ये सिस्टम अक्सर छोटे उपकरणों के लिए बहुत अधिक ऊर्जा की खपत करते हैं और उन त्रुटियों के साथ संघर्ष करते हैं जो उन्होंने पहले कभी नहीं देखी होती हैं। एक नया दृष्टिकोण समाधान के लिए स्वयं हार्डवेयर की ओर देखता है, जिसमें 'मेमरिस्टर' (memristor) नामक इलेक्ट्रॉनिक घटक का उपयोग किया जाता है। ये सूक्ष्म उपकरण सूचना को संग्रहीत और संसाधित दोनों कार्य एक साथ कर सकते हैं, जो जैविक न्यूरॉन्स के काम करने के तरीके की नकल करते हैं, जिससे वे अविश्वसनीय रूप से कुशल बन जाते हैं। हालाँकि, किसी भी भौतिक घटक की तरह, मेमरिस्टर भी विनिर्माण दोषों के प्रति संवेदनशील होते हैं और समय के साथ घिस जाते हैं, जिससे वे विशिष्ट अवस्थाओं में फंस सकते हैं या अप्रत्याशित रूप से उतार-चढ़ाव कर सकते हैं। यह अंतर्निहित अविश्वसनीयता उन्हें वास्तविक दुनिया की सुरक्षा-महत्वपूर्ण मशीनों में उपयोग करने के लिए लंबे समय से एक बाधा बनी हुई है।

हुनान यूनिवर्सिटी और हुनान पुलिस एकेडमी के शोधकर्ताओं ने इन नाजुक इलेक्ट्रॉनिक प्रणालियों को वास्तविक दुनिया में उपयोग के लिए पर्याप्त मजबूत बनाने के लिए एक नई विधि विकसित की है। उन्होंने एक ऐसा ढांचा तैयार किया है जो कंप्यूटर को तब भी सीखने और अनुकूलित होने की अनुमति देता है जब उसके आंतरिक घटक दोषपूर्ण हों। उनके कार्य का मुख्य हिस्सा 'रिजर्वोइयर कंप्यूटिंग' (reservoir computing) नामक एक तकनीक है, जो समय-आधारित जानकारी को संसाधित करने के लिए स्थिर भार (fixed weights) के साथ एक बड़े, यादृच्छिक रूप से जुड़े नेटवर्क का उपयोग करता है, जैसे कि कार के कैमरे से बदलता दृश्य या ड्रोन की बदलती ऊंचाई। हर एक टूटे हुए हार्डवेयर हिस्से को ठीक करने की कोशिश करने के बजाय, शोधकर्ताओं ने एक ऐसा सिस्टम डिजाइन किया जो इन त्रुटियों का पूर्वानुमान लगाता है और तीन अलग-अलग चरणों में उनकी भरपाई करता है: सिस्टम बनने से पहले, जब इसे पहली बार चालू किया जाता है, और जब यह चल रहा होता है।

टीम ने पाया कि हार्डवेयर में सूचना को संग्रहीत करने का तरीका इस बात में बड़ा अंतर पैदा करता है कि सिस्टम त्रुटियों से कितनी अच्छी तरह बच पाता है। उन्होंने दो विधियों की तुलना की: एक मान (value) को दर्शाने के लिए एक एकल मेमरिस्टर का उपयोग करना बनाम एक अंतर को दर्शाने के लिए मेमरिस्टर्स के एक जोड़े को एक साथ काम करने के लिए उपयोग करना। उन्होंने पाया कि हालांकि दोनों विधियाँ पुर्जों के विफल होने पर प्रदर्शन में समान औसत गिरावट का सामना करती हैं, लेकिन युग्मित (paired) दृष्टिकोण कहीं अधिक स्थिर है। जब एक एकल घटक किसी स्थिति में फंस जाता है, तो यह उस मान को पूरी तरह से बर्बाद कर सकता है जिसे उसे धारण करना चाहिए। लेकिन जब दो घटक एक जोड़े के रूप में काम करते हैं, तो यदि एक फंस जाता है, तो दूसरा अक्सर क्षतिपूर्ति कर सकता है, जिससे समग्र मान जो होना चाहिए उसके काफी करीब रहता है। डेटा को एनकोड करने के इस सरल बदलाव से दोषपूर्ण हिस्सों के कारण होने वाली अराजकता काफी कम हो जाती है।

इस सिस्टम को व्यवहार में काम करने के लिए, शोधकर्ताओं ने एक तीन-चरणीय सुरक्षा जाल बनाया। सबसे पहले, डिजाइन चरण के दौरान, उन्होंने नेटवर्क की आंतरिक सेटिंग्स को इस तरह समायोजित किया कि वह यह अपेक्षा कर सके कि कुछ हिस्से इच्छित से कमजोर या मजबूत होंगे, जिससे सिस्टम को त्रुटि की औसत मात्रा को संभालने के लिए पूर्व-कैलिब्रेट किया जा सके। दूसरा, जब सिस्टम चालू होता है, तो यह मापने के लिए एक त्वरित स्व-जांच (self-check) चलाता है कि उसका विशिष्ट हार्डवेयर वास्तव में कैसे व्यवहार कर रहा है और यह सुनिश्चित करने के लिए सूक्ष्म समायोजन करता है कि वह स्थिर रहे। अंत में, जब मशीन संचालित हो रही होती है, तो यह प्राप्त किए जा रहे डेटा के आधार पर अपने निर्णय लेने के नियमों को लगातार अपडेट करती है, जिससे यह वास्तविक समय में धीमे परिवर्तनों या अप्रत्याशंत गड़बड़ियों के अनुकूल हो सके। पूर्व-योजना, स्व-जांच और निरंतर सीखने का यह संयोजन सिस्टम को उच्च सटीकता बनाए रखने की अनुमति देता है, भले ही उसके हार्डवेयर का एक महत्वपूर्ण हिस्सा दोषपूर्ण हो।

शोधकर्ताओं ने दो चुनौतीपूर्ण परिदृश्यों में इस दृष्टिकोण का परीक्षण किया: स्वायत्त ड्राइविंग (autonomous driving) और ड्रोन लैंडिंग। उन्होंने वास्तविक दुनिया के ड्राइविंग अनुक्रमों से प्राप्त एक डेटासेट का उपयोग करके एक सेल्फ-ड्राइविंग कार का अनुकरण किया, जिसे प्रयोग के लिए वोल्टेज संकेतों में परिवर्तित किया गया था, और एक सिंथेटिक डेटासेट का उपयोग करके एक ड्रोन लैंडिंग का अनुकरण किया जिसमें हवा के झोंके और ग्राउंड इफेक्ट्स शामिल थे। ड्राइविंग परीक्षण में, सिस्टम को कारों और पैदल यात्रियों जैसी वस्तुओं की पहचान करनी थी। ड्रोन परीक्षण में, उसे सुरक्षित रूप से उतरने के लिए आवश्यक सटीक ऊंचाई की गणना करनी थी। जब उन्होंने उच्च दर पर हार्डवेयर दोष पेश किए—जो कि एक ऐसी स्थिति का अनुकरण था जहाँ घटकों का 20 प्रतिशत हिस्सा फंसा हुआ या टूटा हुआ था—तो उनके नए तरीके ने सिस्टम को उल्लेखनीय सटीकता के साथ काम करने दिया। ड्राइविंग परिदृश्य में, त्रुटि दर लगभग 30 प्रतिशत से गिरकर 2 प्रतिशत से भी कम हो गई। ड्रोन लैंडिंग के लिए, ऊंचाई की त्रुटि, जो दोषपूर्ण सिस्टम के साथ 26 मीटर तक हो सकती थी, घटकर केवल 0.59 मीटर रह गई।

ये परिणाम बताते हैं कि प्रस्तावित ढांचा न केवल एक सैद्धांतिक अभ्यास है बल्कि वास्तविक दुनिया में काम करने वाली विश्वसनीय, ऊर्जा-कुशल मशीनों को बनाने का एक व्यवहार्य मार्ग भी है। अध्ययन ने दिखाया कि उनका तरीका उन मौजूदा तकनीकों से बेहतर था जो सिस्टम को फिर से प्रशिक्षित करके या अतिरिक्त हार्डवेयर जोड़कर त्रुटियों को ठीक करने का प्रयास करती थीं। डेटा को एनकोड करने के स्मार्ट तरीके और त्रुटि सुधार के स्तरित दृष्टिकोण को जोड़कर, शोधकर्ताओं ने प्रदर्शित किया कि दोष-सहिष्णु (fault-tolerant) जटिल सिस्टम बनाना संभव है जिन्हें कार्य करने के लिए पूर्ण हार्डवेयर की आवश्यकता नहीं होती है। यह स्वायत्त तकनीक के भविष्य के लिए एक महत्वपूर्ण कदम है, जहाँ घटकों की विफलता के बावजूद काम करते रहने की क्षमता एक सुरक्षित यात्रा और एक विनाशकारी विफलता के बीच का अंतर हो सकती है।