هوش مصنوعی و بالن های بدون سرنشین

• توسط : معصومه حیدری
• در : ۱۴۰۰-۰۳-۰۴
• در : دانستنیها

مقدمه

با کمک الگوریتم‌ هایی دقیق‌ و پیشرفته می توان بالن های غول آسایی که از گاز هلیوم پر شده اند را در هوا معلق نگه داشت. حال این الگوریتم ها چه هستند و چه ار تباطی بین هوش مصنوعی و بالن های بدون سرنشین وجود دارد؟ کاربرد بالن های بدون سرنشین چیست؟

هوش مصنوعی و بالن های بدون سرنشین

هوش مصنوعی و بالن های بدون سرنشین – کاربرد بالن های بدون سرنشین

هوش مصنوعی حتی در استراتوسفر یا هوا کره نیز تاثیر خود را نشان داده است. به طوری که بالن های بدون سرنشین را توانسته هفته ها در موقعیت خود نگه دارد.

دانشمندان کانادایی و آمریکایی با آموزش یک کنترلر هوش مصنوعی جهت پاسخگویی به شرایط متغیر، حتی بدون اطلاع دقیق از الگوهای باد، توانسته اند یک بالن بدون سرنشین را برای هفته ها در موقعیت خود در هوا کره نگه دارند. این دانشمندان سعی دارند تا با استفاده از یادگیری ماشین (که در مقاله ای در ژورنال Nature ذکر شده است) مسیر را برای تکنولوژی نظارتی و مانیتورینگ خودکار بر محیط زیست هموار سازند.

به طور معمول برای انجام آزمایشات و نظارت بر آب و هوا در اتمسفر از بالن هایی که از هلیم پر شده اند، استفاده می شود. این بالن ها در محلی که به آن ایستگاه گفته می شود باید در هوا معلق بمانند.لذا برای چنین تنظیماتی نیاز است تا ارتفاع بالن تغییر کند، به عبارتی بالن باید بین لایه های اتمسفر که در آن باد باعث تغییر جهت آن می شود، حرکت کند تا به وسیله وزش بادی مطلوب بتوانند در جهت مورد نظر حرکت کنند.

بالن های خودناوبر فعلی یا به دنبال باد های آرام و کندتر هستند و یا برای یافتن بادهای مناسب به انرژی باتری قابل توجهی نیاز دارند.

هوش مصنوعی و بالن های بدون سرنشین – کاربرد بالن های بدون سرنشین

تیمی از Google Research در کانادا و سازمان آمریکایی لون از تکنیک یادگیری تقویتی عمیق (deep reinforcement learning) برای آموزش یک کنترلر هوش مصنوعی جهت اتخاذ مجموعه ای از تصمیمات بهینه استفاده کردند. (به عبارتی تصمیم گیری برای زمان بالا و پایین رفتن بالن‌ ها به کمک الگوریتم هایی پیچیده انجام می شود و انسان دخالتی در آن ها ندارد.)

یادگیری تقویتی از زیر شاخه‌ های تکنولوژی یادگیری ماشین (Machine Learning) به حساب می آید و رهنمود اصلی یادگیری تقویتی (reinforcement learning) ایده‌ ای خاص است که بر طبق آن، اپراتورهای نرم افزاری قادرند با حداکثر پاداش معین شده، یاد بگیرند که اقدامات مورد نیاز را انجام دهند. یادگیری تقویتی قادر است تا حجم عظیمی از داده ها را در زمانی کوتاه پردازش کند و از نتایج حاصله در راستای حل کردن مسائل استفاده کند.

این تیم با کمک یادگیری تقویتی و بر اساس داده های مربوط به تاریخچه‌ ی وزش بادها و مشاهدات محلی آن و ایجاد الگوریتمی، به هوش مصنوعی اجازه دادند تا دامنه بادهای احتمالی را بهتر پیش بینی کرده و تصمیمات مطلوب تری برای چگونگی حرکت کردن بالن ها داشته باشند. 

در آزمایشی ۳۹ روزه که بر روی اقیانوس آرام انجام شد، مشاهده شد که بالن های کنترل شده توسط این فناوری که StationSeeker نامیده می شود، توانستند سریع تر از بالن هایی که به طور سنتی کنترل می شدند، به موقعیت خود بازگردند. به عبارتی، سیستم های جدیدی که بر طبق یادگیری تقویتی طراحی شده اند، بسیار موثرتر از سیستم‌ هایی که پیش تر برای مدیریت بالن‌ های لون استفاده می شده، عمل می کنند. این امر موجب شده تا این بالن ها به‌ شکلی مطلوب تر در محدوده‌ ایستگاه زمینی خود فعالیت نمایند. بدین صورت سیگنال ها به‌ درستی ارسال و دریافت خواهند شد. بنابراین استفاده از سیستم یادگیری تقویتی باعث شده تا هنگامی که بالن از مسیر اصلی اش خارج می شود، خیلی سریع تر از قبل به مسیر خود بازگردد.

این الگوریتم برای غلبه بر چالش اصلی تکنیکال یادگیری تقویتی از داده های ناقص، افزایش داده و یک طرح خود اصلاح کننده استفاده می کند. با واکنش به محیط خود به جای تحمیل الگویی بر روی آن، کنترلر یادگیری تقویتی، منعطف تر شده که این امکان را می دهد تا با گذشت زمان عملکرد خوبی داشته باشد.

اسکات اوسپری از دانشگاه آکسفورد انگلستان، اظهار داشته که محیطی که در آن مطالعه انجام شده (استراتوسفر بالای خط استوا) در چندین ماه از سال تحت شرایط خاص بادی است که احتمالاً نقشی در موفقیت این آزمایش داشته است.

وی افزود، سیستم Bellemare و همکارانش تلاش می کنند تا به این موفقیت در مکان های دیگر نیز دست یابند.

هوش مصنوعی و بالن های بدون سرنشین – کاربرد بالن های بدون سرنشین

با این وجود، تحقیقات نشان می دهد که یادگیری تقویتی می تواند راه حلی موثر برای چالش های پیش روی کنترل خودکار ماشین ها باشد. این فناوری در بالن های فوق فشار، می تواند طیف گسترده ای از کاربردهای تجاری و علمی را در زمین و فراتر از آن بگشاید.

اوسپری می گوید: از این بالون ها پیش از این، برای مطالعه امواج كوچك و بزرگ در استراتوسفر (گرمسیری) و تشخیص صداهایی با فركانسی پایین که توسط اقیانوس ها، رعد و برق و زمین لرزه ها تولید می شدند، استفاده می شده است.

این تکنولوژِی برای اکتشافات در اتمسفر ونوس، جهت جستجوی نشانه هایی از آتشفشان های فعال و امضای شیمیایی پیشنهاد شده اند.

از دیگر موارد استفاده می توان به نظارت طولانی مدت بر محیط زیست، به عنوان مثال، بررسی کیفیت هوا در شهرها و یا انتشار کربن به واسطه ذوب شدن یخ ها، یا جهت نظارت بر مسیرهای مهاجرت حیوانات و یا حرکت مردم از مرزها اشاره کرد.

از آن جا که با کمک این گونه برنامه ها، تاثیرات تغییرات آب و هوایی آشکارتر می شوند و همچنین ممکن است به دلیل رویدادهایی از جمله کوید ۱۹ محدودیت های جابجایی اعمال شده و در موارد تغییرات آب و هوایی نیاز به پلت فرم های دیگری جهت ایجاد مشاهدات هوایی باشد، لذا نیاز به این گونه تکنولوژِی ها مهم تر جلوه می کند.

کلام پایانی

هم اکنون به کمک هوش مصنوعی (AI) قادر خواهیم بود تا مسیر حرکت و محل توقف بالن ها را معین کنیم. از موارد کاربرد بالن های بدون سرنشین به کمک هوش مصنوعی و استفاده از تکنیک یادگیری تقویتی عمیق، مانیتورینگ و نظارت خودکار از جمله تغییرات آب و هوایی می باشد.