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

Sintesi Tecnica: Sistema di Compensazione AI in Tempo Reale On-Board per la Deriva Nonlineare nei Sismometri Elettrochimici

Definizione del Problema
I sismometri elettrochimici (MET) stanno emergendo come sensori di prossima generazione promettenti per l'esplorazione geofisica grazie alla loro alta sensibilità, ampia larghezza di banda e robustezza contro il tilt e l'impatto. Tuttavia, la loro applicazione pratica è ostacolata da una significativa nonlinearità dipendente dall'ampiezza. Questa nonlinearità deriva dall'accoppiamento complesso di processi meccanici, fluidodinamici ed elettrochimici, che porta a una deriva della risposta in frequenza (spostamenti nella frequenza naturale e nella sensibilità) che degrada la qualità dei dati sismici e l'affidabilità del rilevamento degli eventi.

Le strategie di mitigazione tradizionali presentano limiti distinti:

• Ottimizzazione Strutturale: Sebbene i miglioramenti nel design MEMS aumentino la coerenza, offrono miglioramenti di linearità limitati, restringendo tipicamente l'operatività quasi-lineare a piccoli input di ampiezza (ad es. < 0,13 m/s²).
• Feedback di Forza: Il feedback attivo può sopprimere la nonlinearità, ma introduce complessità meccanica e rischi di oscillazione a ciclo chiuso ad ampiezze elevate a causa della riduzione dei margini di fase.
• Deep Learning basato sui Dati: Sebbene accurati, i modelli standard di deep learning (ad es. MLP, RNN) si affidano a intensive operazioni matriciali che faticano a soddisfare i requisoli di elaborazione in tempo reale su microcontrollori con risorse limitate. Inoltre, gli approoli puramente basati sui dati spesso ignorano le specifiche caratteristiche della risposta in frequenza fisica.

Metodologia: Wiener-KAN
Per affrontare le doppie sfide dell'esecuzione in tempo reale su hardware embedded e della necessità di interpretabilità fisica, gli autori propongono Wiener-KAN, un sistema di compensazione feedforward progettato per l'esecuzione on-board in tempo reale. L'architettura integra tre componenti principali:

1. Decomposizione del Modello di Wiener: Il sistema adotta il concetto del modello di Wiener, separando il compito di compensazione in una parte dinamica lineare e una parte nonlineare statica.

   • Strato Lineare (Wiener Linear Layer): Invece di apprendere la dinamica da zero, questo strato viene inizializzato con funzioni di trasferimento locali condizionate all'ampiezza. Queste sono derivate da slice di risposta in frequenza misurate a ampiezze fisse, iniettando un prior fisico che consente l'estrazione rapida delle caratteristiche di frequenza.
   • Strato Nonlineare (KAN): Una rete Kolmogorov-Arnold (KAN) con funzioni di attivazione spline addestrabili gestisce la restante nonlinearità dipendente dall'ampiezza. Per allinearsi al comportamento fisico dei sensori MET, la KAN impiega vincoli di segno e simmetria (simmetria dispari e positività) per garantire che la mappatura preservi la coerenza direzionale e la monotonicità.

2. Loss Amplitude-Frequency (AFMAE): Riconoscendo che le perdite standard puntuali (MAE/MSE) sono insufficienti per preservare le caratteristiche della risposta in frequenza, gli autori introducono una funzione di perdita personalizzata. L'AFMAE quantifica la discrepanza di ampiezza logaritmica tra l'output compensato e il riferimento ideale nel dominio della frequenza. Questo viene combinato con la MAE standard per ottimizzare congiuntamente la fedeltà della forma d'onda nel dominio del tempo e la stabilità nel dominio della frequenza.

3. Implementazione Embedded in Tempo Reale (LUT): Per superare il collo di bottiglia computazionale della valutazione delle funzioni spline sui microcontrollori, le funzioni di attivazione della KAN addestrata vengono precomputate in tabelle di lookup (LUT) dopo l'addestramento. Durante l'inferenza, le complesse valutazioni spline in virgola mobile sono sostituite da indirizzamento di memoria e lookup in tabella a bassissima latenza, consentendo l'elaborazione punto per punto su un flusso di campionamento continuo.

Contributi Chiave

• Architettura Wiener-KAN: Un nuovo modello ibrido che combina un livello lineare di Wiener informato dalla fisica con una KAN vincolata per la mappatura nonlineare, specificamente adattato per la compensazione dei sensori.
• Dataset della Risposta in Frequenza Tridimensionale: Gli autori hanno costruito e rilasciato un dataset completo che cattura gli effetti di accoppiamento ampiezza-frequenza. Include 300 condizioni operative (12 frequenze × 25 ampiezze) con sequenze nel dominio del tempo accoppiate, registrando la transizione dalla linearità a piccolo segnale alla nonlinearità a grande segnale.
• Funzione di Loss AFMAE: Una metrica di perdita specializzata progettata per mirare esplicitamente alla deriva della risposta in frequenza e alla stabilità della sensibilità, piuttosto che solo all'errore nel dominio del tempo.
• Ottimizzazione Embedded: Una strategia di deployment che converte le reti neurali basate su spline in tabelle di lookup (LUT), raggiungendo un alto throughput su hardware con risorse limitate senza sacrificare l'espressività del modello.

Risultati Sperimentali
Il sistema è stato valutato su un microcontrollore STM32F405 utilizzando un dataset che copre magnitudo di input da 0,24 a 6,0 m/s² (un aumento >10× rispetto ai benchmark precedenti).

• Prestazioni di Compensazione: Wiener-KAN ha ridotto significativamente le metriche fisiche chiave rispetto al sensore non compensato:
  • Deriva di Frequenza: Ridotta da 34,50 Hz a 2,34 Hz.
  • Deriva di Sensibilità (a 100 Hz): Ridotta da 84,56 V·s/m a 9,09 V·s/m.
  • Errore di Linearità: Ridotto dal 2,004% allo 0,511%.
• Confronto con i Baseline: Wiener-KAN ha superato vari baseline di serie temporali (1DCNN, TCN, RNN, GRU, LSTM, LSTM-Transformer) sia in termini di accuratezza della compensazione fisica che di efficienza on-board. Ad esempio, mentre la TCN raggiungeva un errore di linearità simile, il suo throughput era significativamente inferiore.
• Fattibilità in Tempo Reale: L'implementazione basata su LUT ha raggiunto un throughput di 6986,7 punti/s con un footprint di RAM minimo di 5,6 KB, soddisfacendo i requisiti in tempo reale per il campionamento sismico continuo.

Significatività e Rivendicazioni
L'articolo sostiene che Wiener-KAN fornisca una soluzione efficace per la compensazione nonlineare in tempo reale dei sismometri elettrochimici senza la necessità di hardware aggiuntivo per il feedback di forza. Decomponendo il problema in uno stadio lineare inizializzato fisicamente e uno stadio nonlineare vincolato, il metodo preserva l'interpretabilità del modello a piccolo segnale del sensore gestendo al contempo la nonlinearità a grande segnale analiticamente difficile.

Il lavoro dimostra che la compensazione software feedforward può efficacemente sopprimere la deriva dipendente dall'ampiezza, estendendo così il range dinamico e migliorando l'affidabilità dei sensori MET nelle esplorazioni geofisiche. Il workflow proposto — che collega il testing ampiezza-frequenza, i prior fisici, la mappatura KAN vincolata e l'inferenza basata su LUT — offre un percorso riproducibile per il deployment della compensazione AI in tempo reale su dispositivi edge. Gli autori osservano che i risultati sono specifici per il campione di sensore testato e le condizioni ambientali, suggerendo che il workflow sia adattabile ad altre strutture MET a condizione che le risposte in frequenza locali vengano rimesurate e il sistema di riferimento venga ricostruito.