DRL-Based Adaptive Routing for Energy-Efficient and Reliable Underwater Wireless Sensor Networks

समुद्र की सतह के नीचे, जहाँ सूर्य का प्रकाश धुंधला हो जाता है और मानवीय उपस्थिति दुर्लभ होती है, डेटा संग्रह में एक शांत क्रांति हो रही है। वैज्ञानिक प्रदूषण के स्तर से लेकर कोरल रीफ (मूंगा चट्टानों) के स्वास्थ्य तक सब कुछ मॉनिटर करने के लिए बैटरी से चलने वाले छोटे सेंसरों के नेटवर्क तैनात करते हैं। ये उपकरण उन रेडियो तरंगों पर भरोसा नहीं कर सकते जो हमारे सेल फोन संकेतों को ले जाती हैं, क्योंकि पानी उन संकेतों को लगभग तुरंत सोख लेता है। इसके बजाय, उन्हें आपस में बात करने के लिए ध्वनि का उपयोग करना पड़ता है, सूचनाओं को आगे बढ़ाने के लिए अंधेरे पानी के माध्यम से ध्वनिक स्पंदों (acoustic pulses) को भेजना पड़ता है। संचार का यह तरीका स्वाभाविक रूप से कठिन है; ध्वनि धीमी गति से चलती है, पानी शोर भरा होता है, और स्वयं सेंसरों के पास बहुत सीमित ऊर्जा होती है। एक बार जब कोई सेंसर समुद्र में डाल दिया जाता है, तो इसे आसानी से रिचार्ज या बदला नहीं जा सकता। यदि किसी सेंसर की शक्ति समाप्त हो जाती है, तो वह मौन हो जाता है, और यदि उसके डेटा का मार्ग अवरुद्ध हो जाता है, तो जानकारी हमेशा के लिए खो जाती है। इंजीनियरों के लिए मुख्य चुनौती एक ऐसा सिस्टम बनाना है जो इन अंतर्जलीय नेटवर्क को यथासं möglich लंबे समय तक जीवित और सक्रिय रखे, यह सुनिश्चित करते हुए कि डेटा का हर बिट सतह तक पहुँच जाए और बचे हुए कुछ नोड्स की बैटरी खत्म न हो।

हाल ही में एक अध्ययन में, शोधकर्ताओं ज़ीशान रशीद, शहज़ाद अशरफ और मोहम्मद जुनैद रब्बानी ने इस समस्या का समाधान निकाला है, उन्होंने सेंसरों को यह सिखाया कि उन्हें अपने संदेश कौन ले जाएगा, इस बारे में स्मार्ट विकल्प कैसे चुनने चाहिए। उन्होंने एक नया रूटिंग तरीका विकसित किया जो 'डीप रीइन्फोर्समेंट लर्निंग' नामक कृत्रिम बुद्धिमत्ता (AI) के एक प्रकार पर आधारित है। सरल शब्दों में, यह एक ऐसा सिस्टम है जो अनुभव से सीखता है। एक सेंसर नोड की कल्पना करें जिसे यह निर्णय लेना है कि उसका अगला संदेश कौन सा पड़ोसी प्राप्त करेगा। एक कठोर, पूर्व-लिखित नियम का पालन करने के बजाय, यह नया सिस्टम वास्तविक समय में अपने पड़ोसियों का मूल्यांकन करता है। यह देखता है कि प्रत्येक पड़ोसी के पास कितनी बैटरी शक्ति बची है, उनके बीच ध्वनि संबंध कितना स्पष्ट है, संदेश सतह की ओर कितनी प्रगति कर रहा है, और क्या आगे का रास्ता किसी ऐसे डेड एंड (बंद मोड़) की ओर ले जा सकता है जहाँ कोई और पड़ोसी मौजूद नहीं है। इसके बाद सिस्टम डेटा को आगे बढ़ाने के लिए सबसे अच्छे एकल पड़ोसी का चयन करता है, जो संदेश को तेज़ी से आगे बढ़ाने की आवश्यकता और भविष्य के लिए ऊर्जा बचाने की आवश्यकता के बीच संतुलन बनाता है।

शोधकर्ताओं ने एक विस्तृत कंप्यूटर सिमुलेशन में इस दृष्टिकोण का परीक्षण किया जो समुद्र की जटिल स्थितियों की नकल करता है, जिसमें पानी की गति, वातावरण का शोर और सेंसरों का यादृच्छिक (random) प्लेसमेंट शामिल है। उन्होंने अपने नए तरीके की तुलना नौ अन्य मौजूदा रूटिंग रणनीतियों से की, जो सरल दूरी-आधारित नियमों से लेकर अन्य उन्नत शिक्षण प्रणालियों तक फैली हुई थीं। परिणामों ने नए दृष्टिकोण के लिए एक स्पष्ट लाभ दिखाया। एक सौ सेंसर नोड्स वाले सिमुलेशन में, प्रस्तावित पद्धति ने सफलतापूर्वक सभी संदेशों का 93.26 प्रतिशत सतह तक पहुँचाया। यह अगली सर्वश्रेष्ठ लर्निंग-आधारित पद्धति की तुलना में एक महत्वपूर्ण सुधार था, जिसने केवल 85.70 प्रतिशत संदेश पहुँचाए थे। इससे भी महत्वपूर्ण बात यह है कि नया तरीका नेटवर्क की ऊर्जा को संरक्षित करने में बहुत बेहतर था। सिमुलेशन के अंत में, इस नए सिस्टम का उपयोग करने वाले सेंसरों के पास उनकी मूल बैटरी शक्ति का 87.732 प्रतिशत शेष था, जबकि अन्य पद्धतियों ने बहुत अधिक ऊर्जा खर्च कर दी थी। इस दक्षता ने नेटवर्क को विफल होने से पहले 662.6 डेटा ट्रांसमिशन राउंड तक संचालित होने की अनुमति दी, जबकि निकटतम प्रतिस्पर्धी के लिए यह केवल 625 राउंड था।

इस सिस्टम की सफलता उन सामान्य समस्याओं से बचने की क्षमता से आती है जो अंतर्जलीय नेटवर्क को प्रभावित करती हैं। पुरानी पद्धतियाँ अक्सर उन्हीं कुछ सेंसरों को संदेश आगे बढ़ाने के लिए चुनती थीं जो सतह के सबसे करीब थे या जिनका सिग्नल सबसे मजबूत था, जिससे वे विशिष्ट नोड्स जल्दी खाली हो जाते थे और नेटवर्क में अंतराल पैदा हो जाता था। हालाँकि, नया लर्निंग-आधारित सिस्टम किसी भी एकल नोड पर अत्यधिक कार्यभार डालने से सक्रिय रूप से बचता है। यह "वॉइड्स" (रिक्त स्थान) को पहचानने और उनसे बचने के लिए भी सीखता है, जो ऐसे क्षेत्र हैं जहाँ अगला कदम उठाने के लिए कोई उपयुक्त पड़ोसी मौजूद नहीं है। इन डेड एंड या कमजोर, शोर वाले कनेक्शनों की ओर ले जाने वाले विकल्पों को दंडित करके, सिस्टम यह सुनिश्चित करता है कि डेटा बिना अटके या खोए आगे बढ़ता रहे। अध्ययन में पाया गया कि इस सावधानीपूर्वक चयन प्रक्रिया ने अन्य लर्निंग-आधारित पद्धतियों की तुलना में इन 'वॉइड्स' के कारण विफल होने वाले संदेशों की संख्या को लगभग आधा कर दिया। इसके अलावा, सिस्टम ने डेटा को तेज़ी से पहुँचाने में भी सफलता पाई, जिसका औसत विलंब (delay) केवल 0.982 सेकंड था, जो 1.1 सेकंड से अधिक के विलंब के साथ संघर्ष करने वाली अन्य पद्धतियों से बेहतर था।

यह समझने के लिए कि यह नया तरीका इतना अच्छा क्यों काम कर रहा था, शोधकर्ताओं ने एक श्रृंखला में परीक्षण किए जहाँ उन्होंने एक-एक करके सिस्टम के विशिष्ट हिस्सों को हटाया। जब उन्होंने बची हुई बैटरी शक्ति की जाँच करने वाले भाग को हटाया, तो नेटवर्क का जीवनकाल काफी कम हो गया। जब उन्होंने ध्वनि कनेक्शन की गुणवत्ता का मूल्यांकन करने वाले भाग को हटाया, तो खोए हुए संदेशों की संख्या बढ़ गई। जब उन्होंने बदलती परिस्थितियों के आधार पर इन विभिन्न प्राथमिकताओं को संतुलित करने के लिए सीखने वाले भाग को हटाया, तो समग्र प्रदर्शन अपने सबसे निचले स्तर पर पहुँच गया। इन परीक्षणों ने पुष्टि की कि कोई भी एक कारक अकेले पर्याप्त नहीं था; सिस्टम की सफलता ऊर्जा जागरूकता, सिग्नल गुणवत्ता, गति और जोखिम मूल्यांकन के बुद्धिमान संयोजन पर निर्भर थी। शोधकर्ताओं ने यह भी नोट किया कि हालांकि नए तरीके को प्रत्येक सेंसर द्वारा निर्णय लेने में थोड़ा अधिक समय (सरल पद्धतियों के 0.35 मिलीसेकंड की तुलना में लगभग 0.60 मिलीसेकंड) की आवश्यकता होती है, लेकिन यह मामूली विलंब विश्वसनीयता और बैटरी जीवन में भारी लाभ के लिए एक सार्थक समझौता था।

अध्ययन ने यह भी पता लगाया कि पानी का तापमान और लवणता (salinity) जैसे पर्यावरणीय कारक इन नेटवर्क को कैसे प्रभावित करते हैं। शोधकर्ताओं ने पाया कि तापमान में परिवर्तन का ध्वनि यात्रा पर सबसे महत्वपूर्ण प्रभाव पड़ता है, जिसके ठीक बाद लवणता का स्थान आता है। उनका सिस्टम इन परिवर्तनों के अनुकूल होने के लिए डिज़ाइन किया गया था, जो ध्वनिक लिंक की वर्तमान विश्वसनीयता के आधार पर अपने चयन को समायोजित करता है। उन सिमुलेशन में जहाँ वातावरण अधिक कठिन था, जैसे उच्च शोर या अस्थिर स्थितियाँ, नए तरीके ने अपनी उच्च डिलीवरी दर बनाए रखी जबकि अन्य प्रोटोकॉल संघर्ष करते रहे और अधिक बार विफल हुए। यह मजबूती बताती है कि यह सिस्टम वर्तमान तकनीकों की तुलना में वास्तविक समुद्र की अप्रत्याशित प्रकृति को बेहतर ढंग से संभाल सकता है। शोधकर्ताओं ने निष्कर्ष निकाला कि इस तरह के अनुकूल, लर्निंग-आधारित दृष्टिकोण का उपयोग करके, अंतर्जलीय सेंसर नेटवर्क को बहुत अधिक विश्वसनीय और दीर्घकालिक बनाया जा सकता है, जिससे यह सुनिश्चित होता है कि उनके द्वारा एकत्र किया गया महत्वपूर्ण डेटा वैज्ञानिकों तक सतह पर बिना नेटवर्क के ढहने के पहुँच सके। हालांकि परिणाम सिमुलेशन के माध्यम से प्राप्त किए गए थे, लेखक सुझाव देते हैं कि अगला कदम इन निष्कर्षों का वास्तविक हार्डवेयर पर परीक्षण करना होगा ताकि यह देखा जा सके कि बैटरी की बचत और डेटा डिलीवरी दरें भौतिक दुनिया में भी वैसी ही बनी रहती हैं या नहीं।