ملخص

أظهرت الاتجاهات الحديثة أن الوكلاء المستقلين، مثل المركبات الأرضية المستقلة (AGVs)، والطائرات بدون طيار (UAVs)، والروبوتات المتنقلة، تساهم في تحسين إنتاجية الإنسان في تنفيذ المهام المتنوعة. ومع ذلك، ونظرًا لأن هؤلاء الوكلاء غالبًا ما يُشغَّلُون بواسطة بطاريات محمولة، فإنهم يحتاجون إلى استهلاك منخفض جدًا للطاقة لتحقيق عمر تشغيلي طويل. لمعالجة هذا التحدي، ظهرت الحوسبة العصبية المستوحاة من الأحياء كحل واعد، حيث تُستخدم الشبكات العصبية النبضية (SNNs) لمعالجة النبضات القادمة من الكاميرات القائمة على الأحداث أو تحويل البيانات قبل المعالجة لأداء الحسابات الموزعة بكفاءة. ومع ذلك، فإن دراسات نشر SNN للوكلاء المستقلين لا تزال في مراحلها المبكرة. وبالتالي، لم يتم تحديد مراحل التحسين لتمكين نشر SNN ثلاثية الأبعاد بكفاءة للوكلاء المستقلين بشكل منهجي. بناءً على ذلك، نقترح إطار عمل جديد يُسمى SNN4Agents يتكون من مجموعة من تقنيات التحسين لتصميم الشبكات العصبية النبضية ثلاثية الأبعاد ذات الكفاءة العالية في استهلاك الطاقة والموجهة لتطبيقات الوكلاء المستقلين. يستخدم SNN4Agents تقنيات تقليص الأوزان، وتقليل عدد الخطوات الزمنية، وتصغير نافذة الانتباه لتعزيز كفاءة استهلاك الطاقة وتقليص بصمة الذاكرة وتحسين زمن المعالجة، مع الحفاظ على مستوى عالٍ من الدقة. في التقييم، نستعرض حالات استخدام التعرف على السيارات القائمة على الأحداث ونستكشف الموازنة بين الدقة والزمن والذاكرة واستهلاك الطاقة. تظهر النتائج التجريبية أن إطار العمل المقترح يمكن أن يحافظ على دقة عالية (84.12%) مع خفض بصمة الذاكرة بنسبة 68.75%، وتسريع بمقدار 3.58 مرة، وتحسين كفاءة استهلاك الطاقة بمقدار 4.03 مرة مقارنةً بالأعمال الرائدة على مجموعة بيانات NCARS، مما يمكّن من نشر SNN ثلاثي الأبعاد عالي الكفاءة في استهلاك الطاقة للوكلاء المستقلين.

الكلمات المفتاحية:

الحوسبة العصبية الشكلية، الشبكات العصبية النبضية، الوكلاء المستقلون، بيانات السيارات، المعالج العصبي الشكلي، كفاءة الطاقة.

مقدمة

في السنوات الأخيرة، ازداد الاهتمام بتطبيق الذكاء الاصطناعي العصبي المستوحى من الشبكات العصبية النبضية على الوكلاء المستقلين (المعروفين بـالوكلاء المستقلين المعتمدين على الشبكات العصبية النبضية) بشكل متسارع. السبب في ذلك أن الشبكات العصبية النبضية تقدم دقة عالية بفضل آلية التعلم الفعّالة (Ref_Rathi_SNNsurvey_CSUR23, Ref_Putra_SpikeDyn_DAC21)، وزمن حساب منخفض بفضل ترميز النبضات الفعال (Ref_Guo_NeuralCoding_FNINS21)، واستهلاك طاقة منخفض للغاية بفضل العمليات القائمة على النبضات المتفرقة (Ref_Putra_FSpiNN_TCAD20). ولتحقيق مثل هذه الأنظمة في الحياة الواقعية، تتطلب القدرة على حل مهام تعلم الآلة مثل تصنيف الصور (Ref_Putra_SparkXD_DAC21, Ref_Putra_EnforceSNN_FNINS22, Ref_Putra_RescueSNN_FNINS23)، وكشف الأجسام (Ref_Viale_CarSNN_IJCNN21, Ref_Cordone_ObjDetSNN_IJCNN22)، أو تجزئة الأجسام (Ref_Li_SpiCalib_arXiv22) من الصور والفيديوهات. بالإضافة إلى هذه الوظائف، يحتاج الوكلاء المستقلون المعتمدون على الشبكات العصبية النبضية أيضًا إلى (١) بصمة ذاكرة صغيرة نظرًا لاستخدامهم على منصات بأجهزة محدودة الموارد، (٢) استهلاك طاقة منخفض للحفاظ على عمر البطارية، و(٣) إخراج في الوقت الحقيقي بدقة عالية لاتخاذ قرارات سريعة (Ref_Bonnevie_DynamicEnv_ICARA21, Ref_Putra_lpSpikeCon_IJCNN22, Ref_Putra_TopSpark_IROS23). لتعظيم فوائد العمليات المتفرقة في الشبكات العصبية النبضية، يمكن استخدام البيانات القائمة على الأحداث لأنها توفر تنسيق بيانات يتوافق مباشرة مع معالجة الشبكات العصبية النبضية وتقلل من مرحلة المعالجة المسبقة، مثل تحويل البيانات إلى نبضات (مثلاً، بيانات البكسل إلى قطار نبضات) وترميزها. لذلك، يجب أن تأخذ تطويرات الوكلاء المستقلين المعتمدين على الشبكات العصبية النبضية في الاعتبار البيانات القائمة على الأحداث، مثل مجموعة بيانات NCARS (Ref_Sironi_HATS_CVPR18, Ref_Putra_NeuromorphicAI4Robotics_arXiv24, Ref_Bano_StudySNNParams_arXiv24).