اعصابی نیٹ ورک کنٹرولرز پیچیدہ روبوٹس کے لیے استحکام فراہم کرتے ہیں، خود مختار گاڑیوں اور صنعتی مشینوں کی محفوظ تعیناتی کے لیے راہ ہموار کرتے ہیں۔ میساچوسٹس انسٹی ٹیوٹ آف ٹیکنالوجی کے محققین نے پیچیدہ نظاموں میں لیپونوف فنکشن کی توثیق کرنے کے لیے ایک موثر الگورتھم تیار کیا ہے، جس سے مختلف قسم کے ماحول میں اعصابی نیٹ ورک کے زیر کنٹرول روبوٹس کے استحکام اور حفاظت کو یقینی بنایا جا سکتا ہے۔
اعصابی نیٹ ورکس نے اس بات پر بہت بڑا اثر ڈالا ہے کہ انجینئرز روبوٹ کنٹرولرز کو کس طرح ڈیزائن کرتے ہیں، جس سے زیادہ موافقت پذیر اور موثر مشینیں پیدا ہوتی ہیں۔ تاہم، یہ دماغ کی طرح مشین سیکھنے کے نظام بھی ایک دو دھاری تلوار ہیں: ان کی پیچیدگی انہیں طاقتور بناتی ہے، لیکن وہ اس بات کو یقینی بنانے کے لیے بھی جدوجہد کرتے ہیں کہ عصبی نیٹ ورک کے ذریعے چلنے والے روبوٹ اپنے کام محفوظ طریقے سے انجام دے سکیں۔
سلامتی اور استحکام کی تصدیق کرنے کا روایتی طریقہ لیپونوف فنکشن نامی تکنیک کے ذریعے ہے۔ اگر آپ مسلسل گھٹتی ہوئی قدر کے ساتھ Lyapunov فنکشن تلاش کر سکتے ہیں، تو آپ جان سکتے ہیں کہ اعلیٰ اقدار سے وابستہ عدم تحفظ یا عدم استحکام کبھی نہیں ہو گا۔ تاہم، عصبی نیٹ ورکس کے ذریعے کنٹرول کیے جانے والے روبوٹس کے لیے، لیپونوف کے حالات کی توثیق کرنے کے پچھلے طریقے پیچیدہ مشینوں کے برابر نہیں تھے۔
MIT کمپیوٹر سائنس اینڈ آرٹیفیشل انٹیلی جنس لیبارٹری (CSAIL) اور دیگر اداروں کے محققین نے اب نئی ٹیکنالوجیز تیار کی ہیں جو زیادہ پیچیدہ نظاموں میں لیپونوف کمپیوٹنگ کی سخت سرٹیفیکیشن کی اجازت دیتی ہیں۔ الگورتھم لیپونوف فنکشن کو مؤثر طریقے سے تلاش کرتا ہے اور اس کی تصدیق کرتا ہے، جو سسٹم کے لیے استحکام کی ضمانت فراہم کرتا ہے۔ اس نقطہ نظر میں ہوائی جہاز اور خلائی جہاز سمیت روبوٹ اور خود مختار گاڑیوں کی تعیناتی کو محفوظ تر بنانے کی صلاحیت ہے۔
پچھلے الگورتھم کو بہتر بنانے کے لیے، محققین نے تربیت اور توثیق کے عمل میں پیسے بچانے والا شارٹ کٹ پایا۔ وہ کم لاگت والی جوابی مثالیں تیار کرتے ہیں- مثال کے طور پر، سینسرز سے مخالفانہ ڈیٹا جو کنٹرولرز کو غیر فعال کر سکتا ہے- اور پھر ان جوابی مثالوں سے نمٹنے کے لیے روبوٹک سسٹم کو بہتر بناتا ہے۔ ان ایج کیسز کو سمجھنے سے مشین لرننگ کو مشکل حالات سے نمٹنے میں مدد ملتی ہے، جس سے وہ پہلے سے کہیں زیادہ وسیع تر حالات میں محفوظ طریقے سے کام کر سکتے ہیں۔ اس کے بعد انہوں نے ایک نیا تصدیقی فارمولہ تیار کیا جو قابل توسیع نیورل نیٹ ورک validator -CROWN کو استعمال کرنے کی صلاحیت رکھتا ہے تاکہ کاؤنٹر مثالوں کے علاوہ بدترین کیس کی ضمانتیں فراہم کی جاسکیں۔
"ہم نے AI کنٹرول والی مشینوں جیسے ہیومنائیڈ روبوٹس اور روبوٹ کتوں پر کچھ متاثر کن تجرباتی کارکردگی دیکھی ہے، لیکن ان AI کنٹرولرز کے پاس باضابطہ یقین دہانی کا فقدان ہے جو کہ حفاظتی اہم نظاموں کے لیے اہم ہے۔" "ہمارا کام نیورل نیٹ ورک کنٹرولرز کی کارکردگی کی سطح اور حقیقی دنیا میں زیادہ پیچیدہ نیورل نیٹ ورک کنٹرولرز کو تعینات کرنے کے لیے درکار حفاظتی ضمانتوں کے درمیان فرق کو ختم کرتا ہے،" لوجی یانگ، الیکٹریکل انجینئرنگ اور کمپیوٹر سائنس (EECS) میں پی ایچ ڈی کے طالب علم نے کہا۔ میساچوسٹس انسٹی ٹیوٹ آف ٹیکنالوجی اور CSAIL سے منسلک محقق۔ "
ایک ڈیجیٹل مظاہرے میں، ٹیم نے نقل کیا کہ ایک لیڈر سینسر والا کواڈ کاپٹر ڈرون کس طرح دو جہتی ماحول میں مستحکم ہوگا۔ ان کا الگورتھم صرف lidar سینسر کے ذریعہ فراہم کردہ محدود ماحولیاتی معلومات کا استعمال کرتے ہوئے ڈرون کو ایک مستحکم ہوورنگ پوزیشن پر لے جاتا ہے۔
دو دیگر تجربات میں، ان کے نقطہ نظر نے دو نقلی روبوٹک نظاموں کو وسیع تر حالات کے تحت مستحکم طریقے سے کام کرنے کے قابل بنایا: ایک الٹا پینڈولم اور ایک راستے پر چلنے والی گاڑی۔ یہ تجربات، چھوٹے ہونے کے باوجود، پچھلے اعصابی نیٹ ورک کی توثیق سے کہیں زیادہ پیچیدہ ہیں، خاص طور پر چونکہ ان میں سینسر ماڈل شامل ہیں۔
یونیورسٹی آف کیلیفورنیا، سان ڈیاگو میں کمپیوٹر سائنس اور انجینئرنگ کے ایسوسی ایٹ پروفیسر سیکون گاو نے کہا، "مشین سیکھنے کے عام مسائل کے برعکس، لیپونوف فنکشنز کے طور پر نیورل نیٹ ورکس کے سخت استعمال کے لیے مشکل عالمی اصلاحی مسائل کو حل کرنے کی ضرورت ہوتی ہے، اس لیے اسکیل ایبلٹی ایک اہم رکاوٹ ہے۔" .
یہ موجودہ طریقوں کے مقابلے اسکیل ایبلٹی اور حل کے معیار میں نمایاں بہتری پیش کرتا ہے۔ یہ کام نیورل لیپونوف طریقہ کار کے لیے اصلاحی الگورتھم کی مزید ترقی کے ساتھ ساتھ کنٹرول اور روبوٹکس میں گہری سیکھنے کے سخت استعمال کے لیے دلچسپ سمتیں کھولتا ہے۔
استحکام کا نیا طریقہ وسیع پیمانے پر لاگو ہونے کی صلاحیت رکھتا ہے۔ ان ایپلی کیشنز میں، حفاظت سب سے اہم ہے. اس سے یہ یقینی بنانے میں مدد مل سکتی ہے کہ خود چلانے والی کاریں جیسے ہوائی جہاز اور خلائی جہاز زیادہ آسانی سے چلائیں۔ اسی طرح ڈرونز جو اشیاء فراہم کرتے ہیں یا مختلف خطوں کا نقشہ بناتے ہیں وہ بھی اس حفاظتی ضمانت سے فائدہ اٹھا سکتے ہیں۔
نیا نقطہ نظر صرف روبوٹکس تک محدود نہیں ہے اور یہ مستقبل میں دیگر ایپلی کیشنز، جیسے بائیو میڈیکل اور انڈسٹریل پروسیسنگ کی مدد کر سکتا ہے۔ جبکہ ٹیکنالوجی اسکیل ایبلٹی کے لحاظ سے پچھلے کام کے مقابلے میں بہتری ہے، محققین اس بات کی کھوج کر رہے ہیں کہ یہ کس طرح اعلیٰ جہتوں کے ساتھ نظاموں میں بہتر کارکردگی کا مظاہرہ کر سکتی ہے۔ وہ لیڈر ریڈنگ سے آگے کے ڈیٹا پر بھی غور کرنا چاہتے ہیں، جیسے کہ امیجز اور پوائنٹ کلاؤڈز۔
مستقبل کی تحقیقی سمت کے طور پر، ٹیم کو امید ہے کہ غیر یقینی ماحول اور مداخلت کے لیے حساس نظاموں کے لیے ایک ہی استحکام کی ضمانت فراہم کرے گی۔ مثال کے طور پر، اگر کسی ڈرون کو ہوا کے تیز جھونکے کا سامنا کرنا پڑتا ہے، تو محققین اس بات کو یقینی بنانا چاہتے ہیں کہ یہ اب بھی مستحکم طور پر اڑتا ہے اور اپنے مطلوبہ مشن کو پورا کرتا ہے۔
اس کے علاوہ، وہ استحکام کو برقرار رکھتے ہوئے روبوٹ کے لیے کام کو مکمل کرنے کے لیے درکار وقت اور فاصلے کو کم سے کم کرنے کے مقصد کے ساتھ، اصلاح کے مسائل پر اپنے طریقوں کو لاگو کرنے کا ارادہ رکھتے ہیں۔ اور اپنی ٹکنالوجی کو ہیومنائیڈ روبوٹس اور دیگر حقیقی دنیا کی مشینوں تک پھیلانے کا ارادہ رکھتا ہے جہاں روبوٹ کو اپنے اردگرد کے ماحول کے ساتھ رابطے میں مستحکم ہونے کی ضرورت ہوتی ہے۔
