توفر وحدات التحكم في الشبكات العصبية الاستقرار للروبوتات المعقدة، مما يمهد الطريق لنشر أكثر أمانًا للمركبات ذاتية القيادة والآلات الصناعية. طور الباحثون في معهد ماساتشوستس للتكنولوجيا خوارزمية فعالة للتحقق من صحة دالة ليابونوف في الأنظمة المعقدة، مما يضمن استقرار وسلامة الروبوتات التي يتم التحكم فيها بواسطة الشبكات العصبية في مجموعة متنوعة من البيئات.
لقد كان للشبكات العصبية تأثير كبير على كيفية تصميم المهندسين لوحدات التحكم في الروبوتات، مما أدى إلى ظهور آلات أكثر قدرة على التكيف وكفاءة. ومع ذلك، فإن أنظمة التعلم الآلي التي تشبه الدماغ هي أيضًا سلاح ذو حدين: فتعقيدها يجعلها قوية، لكنها تكافح أيضًا لضمان قدرة الروبوتات التي تعمل بالشبكات العصبية على أداء مهامها بأمان.
الطريقة التقليدية للتحقق من الأمان والاستقرار هي من خلال تقنية تسمى دالة ليابونوف. إذا تمكنت من العثور على دالة ليابونوف بقيمة متناقصة باستمرار، فيمكنك معرفة أن انعدام الأمان أو عدم الاستقرار المرتبط بالقيم الأعلى لن يحدث أبدًا. ومع ذلك، بالنسبة للروبوتات التي يتم التحكم فيها بواسطة الشبكات العصبية، فإن الطرق السابقة للتحقق من شروط ليابونوف لم تكن مناسبة للآلات المعقدة.
وقد نجح الباحثون في مختبر علوم الكمبيوتر والذكاء الاصطناعي التابع لمعهد ماساتشوستس للتكنولوجيا ومؤسسات أخرى في تطوير تقنيات جديدة تسمح بإصدار شهادات صارمة لحوسبة ليابونوف في أنظمة أكثر تعقيدًا. وتبحث الخوارزمية بكفاءة عن دالة ليابونوف وتتحقق منها، وهو ما يوفر ضمانًا لاستقرار النظام. ويحمل هذا النهج القدرة على جعل نشر الروبوتات والمركبات ذاتية القيادة، بما في ذلك الطائرات والمركبات الفضائية، أكثر أمانًا.
وللتفوق على الخوارزميات السابقة، وجد الباحثون اختصارًا يوفر المال في عملية التدريب والتحقق. فهم ينتجون أمثلة مضادة أقل تكلفة - على سبيل المثال، بيانات معادية من أجهزة الاستشعار التي يمكن أن تعطل وحدات التحكم - ثم يقومون بتحسين النظام الآلي للتعامل مع تلك الأمثلة المضادة. يساعد فهم هذه الحالات الحدية التعلم الآلي على التعامل مع المواقف الصعبة، مما يسمح له بالعمل بأمان في نطاق أوسع من الظروف أكثر من أي وقت مضى. ثم طوروا صيغة تحقق جديدة قادرة على استخدام محقق شبكة عصبية قابل للتطوير، -CROWN، لتوفير ضمانات صارمة لأسوأ الحالات بالإضافة إلى الأمثلة المضادة.
"لقد رأينا بعض الأداء التجريبي المثير للإعجاب على الآلات التي يتم التحكم فيها بواسطة الذكاء الاصطناعي مثل الروبوتات البشرية والكلاب الروبوتية، ولكن وحدات التحكم بالذكاء الاصطناعي هذه تفتقر إلى الضمان الرسمي الذي يعد أمرًا بالغ الأهمية للأنظمة الحرجة للسلامة". قال لوجي يانج، طالب الدكتوراه في الهندسة الكهربائية وعلوم الكمبيوتر (EECS) في معهد ماساتشوستس للتكنولوجيا وباحث تابع لـ CSAIL: "يعمل عملنا على سد الفجوة بين مستوى أداء وحدات تحكم الشبكة العصبية وضمانات الأمان المطلوبة لنشر وحدات تحكم الشبكة العصبية الأكثر تعقيدًا في العالم الحقيقي".
في عرض توضيحي رقمي، قام الفريق بمحاكاة كيفية استقرار طائرة بدون طيار رباعية المراوح مزودة بمستشعر ليدار في بيئة ثنائية الأبعاد. نجحت خوارزميتهم في توجيه الطائرة بدون طيار إلى وضع تحليق مستقر، باستخدام المعلومات البيئية المحدودة التي يوفرها مستشعر ليدار فقط.
وفي تجربتين أخريين، مكّن نهجهم نظامين آليين محاكيين من العمل بشكل مستقر في ظل مجموعة أوسع من الظروف: البندول المقلوب ومركبة تتبع المسار. وهذه التجارب، على الرغم من صغر حجمها، أكثر تعقيدًا بكثير من عمليات التحقق السابقة من الشبكات العصبية، خاصة لأنها تتضمن نماذج استشعار.
وقال سيكون جاو، الأستاذ المساعد في علوم الكمبيوتر والهندسة في جامعة كاليفورنيا في سان دييغو: "على عكس مشاكل التعلم الآلي الشائعة، فإن الاستخدام الصارم للشبكات العصبية كوظائف ليابونوف يتطلب حل مشاكل التحسين العالمية الصعبة، وبالتالي فإن قابلية التوسع تشكل عقبة رئيسية".
إنه يوفر تحسينات كبيرة في قابلية التوسع وجودة الحلول مقارنة بالطرق الحالية. يفتح هذا العمل اتجاهات مثيرة لمزيد من تطوير خوارزميات التحسين لطريقة ليابونوف العصبية، فضلاً عن الاستخدام الدقيق للتعلم العميق في التحكم والروبوتات.
تتمتع طريقة الاستقرار الجديدة بإمكانية التطبيق على نطاق واسع. وفي هذه التطبيقات، تعتبر السلامة أمرًا بالغ الأهمية. ويمكن أن تساعد في ضمان قيادة السيارات ذاتية القيادة مثل الطائرات والمركبات الفضائية بسلاسة أكبر. وعلى نحو مماثل، يمكن للطائرات بدون طيار التي تقوم بتوصيل العناصر أو رسم خرائط لتضاريس مختلفة أن تستفيد أيضًا من ضمان الأمان هذا.
ولا يقتصر النهج الجديد على الروبوتات، بل قد يساعد تطبيقات أخرى في المستقبل، مثل المعالجة الطبية الحيوية والصناعية. وفي حين أن هذه التكنولوجيا تمثل تحسناً عن الأعمال السابقة من حيث قابلية التوسع، فإن الباحثين يستكشفون كيف يمكنها أن تعمل بشكل أفضل في الأنظمة ذات الأبعاد الأعلى. كما يريدون النظر في البيانات التي تتجاوز قراءات الليدار، مثل الصور والسحب النقطية.
وكتوجه بحثي مستقبلي، يأمل الفريق في توفير نفس ضمان الاستقرار للأنظمة في البيئات غير المؤكدة والمعرضة للتداخل. على سبيل المثال، إذا تعرضت طائرة بدون طيار لهبوب رياح قوية، يريد الباحثون التأكد من أنها لا تزال تحلق بثبات وتحقق مهمتها المقصودة.
بالإضافة إلى ذلك، يعتزمون تطبيق أساليبهم على مشاكل التحسين، بهدف تقليل الوقت والمسافة المطلوبة للروبوت لإكمال المهمة مع الحفاظ على الاستقرار. ويخططون لتوسيع تقنيتهم إلى الروبوتات الشبيهة بالبشر وغيرها من الآلات في العالم الحقيقي حيث يحتاج الروبوت إلى أن يكون مستقراً عند الاتصال بمحيطه.
