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

Resumo Técnico: Sistema de Compensação de IA em Tempo Real Embarcado para Drift Não Linear em Sismômetros Eletroquímicos

Definição do Problema
Sismômetros eletroquímicos (MET) estão surgindo como sensores promissores de próxima geração para exploração geofísica devido à sua alta sensibilidade, ampla largura de banda e robustez contra inclinação e impacto. No entanto, sua aplicação prática é dificultada por uma não linearidade significativa dependente da magnitude. Essa não linearidade surge do acoplamento complexo de processos mecânicos, fluídicos e eletroquímicos, levando a um desvio na resposta de frequência (mudanças na frequência natural e na sensibilidade) que degrada a qualidade dos dados sísmicos e a confiabilidade da detecção de eventos.

As estratégias de mitigação tradicionais enfrentam limitações distintas:

• Otimização Estrutural: Embora as melhorias no design de MEMS aumentem a consistência, elas oferecem melhorias limitadas de linearidade, restringindo tipicamente a operação quase linear a pequenas magnitudes de entrada (ex: < 0,13 m/s²).
• Feedback de Força: O feedback ativo pode suprimir a não linearidade, mas introduz complexidade mecânica e riscos de oscilação de malha fechada em grandes magnitudes devido à redução das margens de fase.
• Aprendizado Profundo Baseado em Dados: Embora precisos, os modelos de aprendizado profundo padrão (ex: MLPs, RNNs) dependem de operações de matriz intensivas que têm dificuldade em atender aos requisitos de processamento em tempo real em microcontroladores com recursos limitados. Além disso, abordagens puramente baseadas em dados frequentemente ignoram características específicas da resposta de frequência física.

Metodologia: Wiener-KAN
Para abordar os desafios duplos da execução em tempo real em hardware embarcado e a necessidade de interpretabilidade física, os autores propõem o Wiener-KAN, um sistema de compensação feedforward projetado para execução em tempo real embarcada. A arquitetura integra três componentes principais:

1. Decomposição do Modelo Wiener: O sistema adota o conceito do modelo de Wiener, separando a tarefa de compensação em uma parte dinâmica linear e uma parte não linear estática.

   • Camada Linear (Wiener Linear Layer): Em vez de aprender a dinâmica do zero, esta camada é inicializada com funções de transferência locais condicionadas à magnitude. Estas são derivadas de fatias de resposta de frequência medidas em magnitudes fixas, injetando um prior físico que permite a extração rápida de características de frequência.
   • Camada Não Linear (KAN): Uma Rede Kolmogorov-Arnold (KAN) com funções de ativação de spline treináveis lida com a não linearidade restante dependente da magnitude. Para alinhar-se ao comportamento físico dos sensores MET, a KAN emprega restrições de sinal e simetria (simetria ímpar e positividade) para garantir que o mapeamento preserve a consistência direcional e a monotonicidade.

2. Perda de Amplitude-Frequência (AFMAE): Reconhecendo que perdas de ponto a ponto padrão (MAE/MSE) são insuficientes para preservar as características da resposta de frequência, os autores introduzem uma função de perda personalizada. A AFMAE quantifica a discrepância de amplitude logarítmica entre a saída compensada e a referência ideal no domínio da frequência. Isso é combinado com o MAE padrão para otimizar conjuntamente a fidelidade da forma de onda no domínio do tempo e a estabilidade no domínio da frequência.

3. Implantação Embarcada em Tempo Real (LUT): Para superar o gargalo computacional da avaliação de funções spline em microcontroladores, as funções de ativação da KAN treinada são pré-computadas em tabelas de consulta (LUTs) após o treinamento. Durante a inferência, avaliações complexas de spline de ponto flutuante são substituídas por endereçamento de memória e busca em tabela de ultra-baixa latência, permitindo o processamento ponto a ponto em um fluxo de amostragem contínuo.

Principais Contribuições

• Arquitetura Wiener-KAN: Um novo modelo híbrido combinando uma camada linear Wiener informada pela física com uma KAN restrita para mapeamento não linear, especificamente adaptada para compensação de sensores.
• Conjunto de Dados de Resposta de Frequência Tridimensional: Os autores construíram e lançaram um conjunto de dados abrangente que captura efeitos de acoplamento amplitude-frequência. Inclui 300 condições operacionais (12 frequências × 25 magnitudes) com sequências no domínio do tempo pareadas, registrando a transição da linearidade de sinal pequeno para a não linearidade de sinal grande.
• Função de Perda AFMAE: Uma métrica de perda especializada projetada para visar explicitamente o desvio da resposta de frequência e a estabilidade da sensibilidade, em vez de apenas o erro no domínio do tempo.
• Otimização Embarcada: Uma estratégia de implantação convertendo redes neurais baseadas em spline em tabelas de consulta (LUTs), alcançando alto rendimento em hardware com recursos limitados sem sacrificar a expressividade do modelo.

Resultados Experimentais
O sistema foi avaliado em um microcontrolador STM32F405 usando um conjunto de dados cobrindo magnitudes de entrada de 0,24 a 6,0 m/s² (um aumento de >10× sobre os benchmarks anteriores).

• Desempenho de Compensação: O Wiener-KAN reduziu significativamente as principais métricas físicas em comparação com o sensor não compensado:
  • Desvio de Frequência: Reduzido de 34,50 Hz para 2,34 Hz.
  • Desvio de Sensibilidade (em 100 Hz): Reduzido de 84,56 V·s/m para 9,09 V·s/m.
  • Erro de Linearidade: Reduzido de 2,004% para 0,511%.
• Comparação com Baselines: O Wiener-KAN superou várias bases de séries temporais (1DCNN, TCN, RNN, GRU, LSTM, LSTM-Transformer) tanto em precisão de compensação física quanto em eficiência embarcada. Por exemplo, embora o TCN tenha alcançado erro de linearidade semelhante, seu rendimento (throughput) foi significativamente menor.
• Viabilidade em Tempo Real: A implementação baseada em LUT alcançou um rendimento de 6986,7 pontos/s com uma pegada de RAM mínima de 5,6 KB, satisfazendo os requisitos de tempo real para amostragem sísmica contínua.

Significância e Alegações
O artigo afirma que o Wiener-KAN fornece uma solução eficaz para a compensação não linear em tempo real de sismômetros eletroquímicos sem a necessidade de hardware adicional de feedback de força. Ao decompor o problema em um estágio linear inicializado fisicamente e um estágio não linear restrito, o método preserva a interpretabilidade do modelo de sinal pequeno do sensor enquanto lida com a não linearidade de sinal grande analiticamente difícil.

O trabalho demonstra que a compensação de software feedforward pode efetivamente suprimir o desvio dependente da magnitude, estendendo assim a faixa dinâmica e melhorando a confiabilidade dos sensores MET em exploração geofísica. O fluxo de trabalho proposto — ligando testes de amplitude-frequência, priors físicos, mapeamento KAN restrito e inferência baseada em LUT — oferece um caminho reproduzível para implantar compensação de IA em tempo real em dispositivos de borda (edge devices). Os autores observam que os resultados são específicos para a amostra de sensor testada e condições ambientais, sugerindo que o fluxo de trabalho é adaptável a outras estruturas MET, desde que as respostas de frequência locais sejam remensuradas e o sistema de referência seja reconstruído.