न्यूरल नेटवर्क नियंत्रक जटिल रोबोटों के लिए स्थिरता प्रदान करते हैं, जिससे स्वायत्त वाहनों और औद्योगिक मशीनों की सुरक्षित तैनाती का मार्ग प्रशस्त होता है। मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं ने जटिल प्रणालियों में ल्यापुनोव फ़ंक्शन को प्रमाणित करने के लिए एक कुशल एल्गोरिदम विकसित किया है, जो विभिन्न वातावरणों में न्यूरल नेटवर्क-नियंत्रित रोबोटों की स्थिरता और सुरक्षा सुनिश्चित करता है।
न्यूरल नेटवर्क ने इंजीनियरों द्वारा रोबोट नियंत्रकों को डिज़ाइन करने के तरीके पर बहुत बड़ा प्रभाव डाला है, जिससे अधिक अनुकूलनीय और कुशल मशीनें सामने आई हैं। हालाँकि, ये मस्तिष्क जैसी मशीन लर्निंग प्रणालियाँ एक दोधारी तलवार भी हैं: उनकी जटिलता उन्हें शक्तिशाली बनाती है, लेकिन वे यह सुनिश्चित करने के लिए भी संघर्ष करती हैं कि न्यूरल नेटवर्क द्वारा संचालित रोबोट अपने कार्यों को सुरक्षित रूप से कर सकें।
सुरक्षा और स्थिरता को सत्यापित करने का पारंपरिक तरीका लाइपुनोव फ़ंक्शन नामक तकनीक के माध्यम से है। यदि आप लगातार घटते मूल्य के साथ लाइपुनोव फ़ंक्शन पा सकते हैं, तो आप जान सकते हैं कि उच्च मूल्यों से जुड़ी असुरक्षा या अस्थिरता कभी नहीं होगी। हालाँकि, न्यूरल नेटवर्क द्वारा नियंत्रित रोबोट के लिए, लाइपुनोव स्थितियों को सत्यापित करने के पिछले तरीके जटिल मशीनों के लिए अच्छी तरह से स्केल नहीं करते थे।
एमआईटी कंप्यूटर साइंस एंड आर्टिफिशियल इंटेलिजेंस लेबोरेटरी (सीएसएआईएल) और अन्य संस्थानों के शोधकर्ताओं ने अब नई तकनीकें विकसित की हैं जो अधिक जटिल प्रणालियों में ल्यापुनोव कंप्यूटिंग के कठोर प्रमाणीकरण की अनुमति देती हैं। एल्गोरिदम कुशलतापूर्वक ल्यापुनोव फ़ंक्शन की खोज और सत्यापन करता है, जो सिस्टम के लिए स्थिरता की गारंटी प्रदान करता है। इस दृष्टिकोण में हवाई जहाज और अंतरिक्ष यान सहित रोबोट और स्वायत्त वाहनों की तैनाती को सुरक्षित बनाने की क्षमता है।
पिछले एल्गोरिदम से बेहतर प्रदर्शन करने के लिए, शोधकर्ताओं ने प्रशिक्षण और सत्यापन प्रक्रिया में पैसे बचाने वाला शॉर्टकट पाया। वे कम लागत वाले काउंटरएक्सैम्पल उत्पन्न करते हैं - उदाहरण के लिए, सेंसर से प्रतिकूल डेटा जो नियंत्रकों को अक्षम कर सकता है - और फिर उन काउंटरएक्सैम्पल से निपटने के लिए रोबोटिक सिस्टम को अनुकूलित करता है। इन एज केस को समझने से मशीन लर्निंग को चुनौतीपूर्ण स्थितियों को संभालने में मदद मिलती है, जिससे उन्हें पहले से कहीं अधिक व्यापक परिस्थितियों में सुरक्षित रूप से काम करने की अनुमति मिलती है। फिर उन्होंने एक नया सत्यापन सूत्र विकसित किया जो काउंटरएक्सैम्पल के अलावा सख्त सबसे खराब स्थिति की गारंटी प्रदान करने के लिए एक स्केलेबल न्यूरल नेटवर्क वैलिडेटर, -CROWN का उपयोग करने में सक्षम है।
"हमने AI-नियंत्रित मशीनों जैसे कि ह्यूमनॉइड रोबोट और रोबोट कुत्तों पर कुछ प्रभावशाली अनुभवजन्य प्रदर्शन देखे हैं, लेकिन इन AI नियंत्रकों में औपचारिक आश्वासन की कमी है जो सुरक्षा-महत्वपूर्ण प्रणालियों के लिए महत्वपूर्ण है।" मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी में इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर साइंस (EECS) में पीएचडी छात्र और CSAIL से संबद्ध शोधकर्ता लूजी यांग ने कहा, "हमारा काम न्यूरल नेटवर्क नियंत्रकों के प्रदर्शन के स्तर और वास्तविक दुनिया में अधिक जटिल न्यूरल नेटवर्क नियंत्रकों को तैनात करने के लिए आवश्यक सुरक्षा गारंटी के बीच के अंतर को कम करता है।"
डिजिटल प्रदर्शन में, टीम ने सिम्युलेट किया कि कैसे एक क्वाडकॉप्टर ड्रोन एक लिडार सेंसर के साथ दो-आयामी वातावरण में स्थिर रहेगा। उनका एल्गोरिदम लिडार सेंसर द्वारा प्रदान की गई सीमित पर्यावरणीय जानकारी का उपयोग करके ड्रोन को एक स्थिर मँडराती स्थिति में सफलतापूर्वक ले जाता है।
दो अन्य प्रयोगों में, उनके दृष्टिकोण ने दो सिम्युलेटेड रोबोटिक सिस्टम को व्यापक श्रेणी की स्थितियों में स्थिर रूप से संचालित करने में सक्षम बनाया: एक उल्टा पेंडुलम और एक पथ-अनुसरण वाहन। ये प्रयोग, हालांकि छोटे हैं, लेकिन पिछले न्यूरल नेटवर्क सत्यापन की तुलना में बहुत अधिक जटिल हैं, खासकर इसलिए क्योंकि इनमें सेंसर मॉडल शामिल हैं।
सैन डिएगो स्थित कैलिफोर्निया विश्वविद्यालय में कंप्यूटर विज्ञान और इंजीनियरिंग के एसोसिएट प्रोफेसर सिकुन गाओ ने कहा, "सामान्य मशीन लर्निंग समस्याओं के विपरीत, ल्यापुनोव फंक्शन के रूप में न्यूरल नेटवर्क के सख्त उपयोग के लिए कठिन वैश्विक अनुकूलन समस्याओं को हल करने की आवश्यकता होती है, इसलिए स्केलेबिलिटी एक प्रमुख बाधा है।"
यह मौजूदा तरीकों की तुलना में मापनीयता और समाधान गुणवत्ता में महत्वपूर्ण सुधार प्रदान करता है। यह कार्य तंत्रिका ल्यापुनोव विधि के लिए अनुकूलन एल्गोरिदम के आगे के विकास के लिए रोमांचक दिशाएँ खोलता है, साथ ही नियंत्रण और रोबोटिक्स में गहन शिक्षण के कठोर उपयोग को भी दर्शाता है।
नई स्थिरता पद्धति को व्यापक रूप से लागू किए जाने की संभावना है। इन अनुप्रयोगों में, सुरक्षा सर्वोपरि है। यह सुनिश्चित करने में मदद कर सकता है कि हवाई जहाज और अंतरिक्ष यान जैसी स्व-चालित कारें अधिक सुचारू रूप से चलेंगी। इसी तरह, ड्रोन जो सामान पहुंचाते हैं या अलग-अलग इलाकों का नक्शा बनाते हैं, वे भी इस सुरक्षा गारंटी से लाभ उठा सकते हैं।
नया दृष्टिकोण रोबोटिक्स तक सीमित नहीं है और भविष्य में बायोमेडिकल और औद्योगिक प्रसंस्करण जैसे अन्य अनुप्रयोगों में भी मदद कर सकता है। जबकि यह तकनीक स्केलेबिलिटी के मामले में पिछले काम से बेहतर है, शोधकर्ता यह पता लगा रहे हैं कि यह उच्च आयामों वाले सिस्टम में कैसे बेहतर प्रदर्शन कर सकता है। वे लिडार रीडिंग से परे डेटा पर भी विचार करना चाहते हैं, जैसे कि इमेज और पॉइंट क्लाउड।
भविष्य के शोध की दिशा के रूप में, टीम को उम्मीद है कि अनिश्चित वातावरण में और हस्तक्षेप के प्रति संवेदनशील प्रणालियों के लिए भी यही स्थिरता की गारंटी प्रदान की जाएगी। उदाहरण के लिए, यदि कोई ड्रोन तेज हवा के झोंके के संपर्क में है, तो शोधकर्ता यह सुनिश्चित करना चाहते हैं कि यह अभी भी स्थिर रूप से उड़ता रहे और अपने इच्छित मिशन को पूरा करे।
इसके अतिरिक्त, वे अपने तरीकों को अनुकूलन समस्याओं पर लागू करने का इरादा रखते हैं, जिसका लक्ष्य स्थिरता बनाए रखते हुए रोबोट द्वारा कार्य पूरा करने के लिए आवश्यक समय और दूरी को न्यूनतम करना है। और उनकी योजना अपनी प्रौद्योगिकी को मानव रोबोट और अन्य वास्तविक दुनिया की मशीनों तक विस्तारित करने की है, जहां रोबोट को अपने परिवेश के संपर्क में स्थिर रहने की आवश्यकता होती है।

