নিউরাল নেটওয়ার্ক কন্ট্রোলারগুলি জটিল রোবটগুলির জন্য স্থিতিশীলতা প্রদান করে, স্বায়ত্তশাসিত যানবাহন এবং শিল্প মেশিনগুলির নিরাপদ স্থাপনার পথ তৈরি করে। ম্যাসাচুসেটস ইনস্টিটিউট অফ টেকনোলজির গবেষকরা জটিল সিস্টেমে লিয়াপুনভ ফাংশন প্রমাণীকরণের জন্য একটি দক্ষ অ্যালগরিদম তৈরি করেছেন, বিভিন্ন পরিবেশে নিউরাল নেটওয়ার্ক-নিয়ন্ত্রিত রোবটের স্থায়িত্ব এবং নিরাপত্তা নিশ্চিত করে।
প্রকৌশলীরা কীভাবে রোবট কন্ট্রোলার ডিজাইন করেন, তার উপর নিউরাল নেটওয়ার্কগুলি ব্যাপক প্রভাব ফেলেছে, যা আরও অভিযোজিত এবং দক্ষ মেশিনের জন্ম দেয়। যাইহোক, এই মস্তিষ্কের মতো মেশিন লার্নিং সিস্টেমগুলিও একটি দ্বি-ধারী তলোয়ার: তাদের জটিলতা তাদের শক্তিশালী করে তোলে, তবে তারা নিশ্চিত করতেও লড়াই করে যে নিউরাল নেটওয়ার্ক দ্বারা চালিত রোবটগুলি তাদের কাজগুলি নিরাপদে করতে পারে।
নিরাপত্তা এবং স্থিতিশীলতা যাচাই করার ঐতিহ্যগত উপায় হল লিয়াপুনভ ফাংশন নামক একটি কৌশলের মাধ্যমে। আপনি যদি ক্রমাগতভাবে কমে যাওয়া মান সহ একটি Lyapunov ফাংশন খুঁজে পান, তাহলে আপনি জানতে পারবেন যে উচ্চতর মানগুলির সাথে সম্পর্কিত নিরাপত্তাহীনতা বা অস্থিরতা কখনই ঘটবে না। যাইহোক, নিউরাল নেটওয়ার্ক দ্বারা নিয়ন্ত্রিত রোবটগুলির জন্য, লায়াপুনভ শর্তগুলি যাচাই করার জন্য পূর্ববর্তী পদ্ধতিগুলি জটিল মেশিনে ভালভাবে মাপতে পারেনি।
এমআইটি কম্পিউটার সায়েন্স অ্যান্ড আর্টিফিশিয়াল ইন্টেলিজেন্স ল্যাবরেটরি (সিএসএআইএল) এবং অন্যান্য প্রতিষ্ঠানের গবেষকরা এখন নতুন প্রযুক্তি তৈরি করেছেন যা আরও জটিল সিস্টেমে লায়াপুনভ কম্পিউটিংয়ের কঠোর শংসাপত্রের অনুমতি দেয়। অ্যালগরিদম দক্ষতার সাথে লিয়াপুনভ ফাংশন অনুসন্ধান এবং যাচাই করে, যা সিস্টেমের জন্য একটি স্থিতিশীলতার গ্যারান্টি প্রদান করে। এই পদ্ধতিতে বিমান এবং মহাকাশযান সহ রোবট এবং স্বায়ত্তশাসিত যানবাহনকে আরও নিরাপদ করার সম্ভাবনা রয়েছে।
পূর্ববর্তী অ্যালগরিদমগুলিকে ছাড়িয়ে যাওয়ার জন্য, গবেষকরা প্রশিক্ষণ এবং বৈধতা প্রক্রিয়ায় একটি অর্থ-সঞ্চয় শর্টকাট খুঁজে পেয়েছেন। তারা কম খরচে পাল্টা-উদাহরণ তৈরি করে-উদাহরণস্বরূপ, সেন্সর থেকে প্রতিকূল ডেটা যা কন্ট্রোলারকে অক্ষম করতে পারে-এবং তারপর সেই কাউন্টার উদাহরণগুলির সাথে মোকাবিলা করার জন্য রোবোটিক সিস্টেমকে অপ্টিমাইজ করে। এই এজ কেসগুলি বোঝা মেশিন লার্নিংকে চ্যালেঞ্জিং পরিস্থিতি পরিচালনা করতে সাহায্য করে, যা তাদের আগের চেয়ে আরও বিস্তৃত পরিস্থিতিতে নিরাপদে কাজ করতে দেয়। তারপরে তারা একটি স্কেলযোগ্য নিউরাল নেটওয়ার্ক ভ্যালিডেটর, -CROWN ব্যবহার করতে সক্ষম একটি অভিনব যাচাইকরণ সূত্র তৈরি করেছে, যা পাল্টা উদাহরণ ছাড়াও সবচেয়ে খারাপ-কেস গ্যারান্টি প্রদান করতে পারে।
"আমরা হিউম্যানয়েড রোবট এবং রোবট কুকুরের মতো এআই-নিয়ন্ত্রিত মেশিনগুলিতে কিছু চিত্তাকর্ষক অভিজ্ঞতামূলক কর্মক্ষমতা দেখেছি, তবে এই এআই নিয়ন্ত্রকদের আনুষ্ঠানিক আশ্বাসের অভাব রয়েছে যা নিরাপত্তা-সমালোচনামূলক সিস্টেমের জন্য গুরুত্বপূর্ণ।" "আমাদের কাজ নিউরাল নেটওয়ার্ক কন্ট্রোলারের পারফরম্যান্সের স্তর এবং বাস্তব বিশ্বে আরও জটিল নিউরাল নেটওয়ার্ক কন্ট্রোলার স্থাপনের জন্য প্রয়োজনীয় নিরাপত্তা গ্যারান্টিগুলির মধ্যে ব্যবধান বন্ধ করে," বলেছেন লুজি ইয়াং, ইলেকট্রিক্যাল ইঞ্জিনিয়ারিং অ্যান্ড কম্পিউটার সায়েন্স (EECS) এর পিএইচডি ছাত্র। ম্যাসাচুসেটস ইনস্টিটিউট অফ টেকনোলজি এবং একটি CSAIL অনুমোদিত গবেষক। "
একটি ডিজিটাল প্রদর্শনীতে, দলটি সিমুলেট করেছে যে কীভাবে একটি লিডার সেন্সর সহ একটি কোয়াডকপ্টার ড্রোন দ্বি-মাত্রিক পরিবেশে স্থিতিশীল হবে। তাদের অ্যালগরিদম সফলভাবে ড্রোনটিকে একটি স্থিতিশীল ঘোরানো অবস্থানে নিয়ে যায়, শুধুমাত্র লিডার সেন্সর দ্বারা প্রদত্ত সীমিত পরিবেশগত তথ্য ব্যবহার করে।
অন্য দুটি পরীক্ষায়, তাদের দৃষ্টিভঙ্গি দুটি সিমুলেটেড রোবোটিক সিস্টেমকে বিস্তৃত অবস্থার অধীনে স্থিরভাবে কাজ করতে সক্ষম করেছে: একটি উল্টানো পেন্ডুলাম এবং একটি পথ-অনুসরণকারী যান। এই পরীক্ষাগুলি, ছোট হলেও, পূর্ববর্তী নিউরাল নেটওয়ার্ক বৈধকরণের তুলনায় অনেক বেশি জটিল, বিশেষত যেহেতু সেন্সর মডেলগুলি অন্তর্ভুক্ত করে।
"সাধারণ মেশিন লার্নিং সমস্যার বিপরীতে, লাইপুনভ ফাংশন হিসাবে নিউরাল নেটওয়ার্কগুলির কঠোর ব্যবহারের জন্য কঠিন গ্লোবাল অপ্টিমাইজেশন সমস্যাগুলি সমাধান করা প্রয়োজন, তাই স্কেলেবিলিটি একটি মূল বাধা," বলেছেন সিকুন গাও, ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়ের কম্পিউটার বিজ্ঞান এবং প্রকৌশল বিভাগের সহযোগী অধ্যাপক, সান দিয়েগো৷ .
এটি বিদ্যমান পদ্ধতির তুলনায় স্কেলেবিলিটি এবং সমাধানের মানের উল্লেখযোগ্য উন্নতি অফার করে। এই কাজটি নিউরাল লিয়াপুনভ পদ্ধতির জন্য অপ্টিমাইজেশান অ্যালগরিদমগুলির আরও বিকাশের পাশাপাশি নিয়ন্ত্রণ এবং রোবোটিক্সে গভীর শিক্ষার কঠোর ব্যবহারের জন্য উত্তেজনাপূর্ণ দিকগুলি উন্মুক্ত করে।
নতুন স্থিতিশীলতা পদ্ধতি ব্যাপকভাবে প্রয়োগ করার সম্ভাবনা রয়েছে। এই অ্যাপ্লিকেশনগুলিতে, নিরাপত্তা সবচেয়ে গুরুত্বপূর্ণ। এটি নিশ্চিত করতে সাহায্য করতে পারে যে স্ব-চালিত গাড়ি যেমন এরোপ্লেন এবং মহাকাশযান আরও সহজে চালনা করে। একইভাবে, ড্রোন যেগুলি আইটেম সরবরাহ করে বা বিভিন্ন ভূখণ্ডের মানচিত্র তৈরি করে সেগুলিও এই নিরাপত্তা গ্যারান্টি থেকে উপকৃত হতে পারে।
নতুন পদ্ধতিটি রোবোটিক্সের মধ্যে সীমাবদ্ধ নয় এবং ভবিষ্যতে অন্যান্য অ্যাপ্লিকেশনগুলিকে সাহায্য করতে পারে, যেমন বায়োমেডিকাল এবং শিল্প প্রক্রিয়াকরণ। যদিও প্রযুক্তিটি স্কেলেবিলিটির পরিপ্রেক্ষিতে পূর্ববর্তী কাজের তুলনায় একটি উন্নতি, গবেষকরা অন্বেষণ করছেন কিভাবে এটি উচ্চ মাত্রা সহ সিস্টেমে আরও ভাল পারফর্ম করতে পারে। তারা লিডার রিডিংয়ের বাইরেও ডেটা বিবেচনা করতে চায়, যেমন চিত্র এবং পয়েন্ট ক্লাউড।
ভবিষ্যতের গবেষণা দিক হিসাবে, দলটি অনিশ্চিত পরিবেশে এবং হস্তক্ষেপের জন্য সংবেদনশীল সিস্টেমগুলির জন্য একই স্থিতিশীলতার গ্যারান্টি প্রদান করার আশা করে। উদাহরণস্বরূপ, যদি একটি ড্রোন একটি শক্তিশালী দমকা বাতাসের সংস্পর্শে আসে, গবেষকরা নিশ্চিত করতে চান যে এটি এখনও স্থিরভাবে উড়ে যায় এবং তার উদ্দেশ্য মিশনটি সম্পন্ন করে।
উপরন্তু, তারা স্থিতিশীলতা বজায় রেখে কাজটি সম্পূর্ণ করার জন্য রোবটের জন্য প্রয়োজনীয় সময় এবং দূরত্ব কমানোর লক্ষ্য নিয়ে অপ্টিমাইজেশন সমস্যাগুলির জন্য তাদের পদ্ধতিগুলি প্রয়োগ করতে চায়। এবং তাদের প্রযুক্তিকে হিউম্যানয়েড রোবট এবং অন্যান্য বাস্তব-বিশ্বের মেশিনে প্রসারিত করার পরিকল্পনা করে যেখানে রোবটটি তার আশেপাশের সাথে যোগাযোগ করার সময় স্থিতিশীল হওয়া প্রয়োজন।
