TR | Hybrid SNN Models and Architectures for Causal Reasoning in Next-Generation Military UAVs
İnsansız Hava Araçlarının ilk çıkış ve ilgi noktaları farklı olsada şuan dünyada en çok kullanıldıkları ve ses getirdikleri alan askeri alan olmuş durumda. Son beş yıldaki Yapay Zeka sistemlerinin ve teknolojilerinin yükselişiylede bu ilgi revizyona uğruyor. Anduril YFQ-44 ve Shield AI MQ-35 V-BAT gibi araçlar otonom bir şekilde görevler üstlenip karar-destek yapay zeka sistemlerince görevlendirilmekte. İstihbarat‑Gözetleme‑Keşif, otonom seyrüsefer ve hedef tanıma gibi kritik görevler içinde giderek daha fazla Yapay Zeka kullanılıyor. Ancak sahada görev alacak bu yapay zeka çözümleri, gerek görev etkinliği ve operasyonel güvenlik, gerekse kaynak kullanımı açısından önemli kısıtlamalara ve kullanım tedirginliğine sahip.
You can access the English version of my article here:
En önemli sorunların başında görüntü işleme ve otonom sürüşte kullanılan geleneksel Yapay Sinir Ağları (ANN’ler) ve Evrişimli Sinir Ağları (CNN’ler), ayrıca karar-destek’te agentic yapıda çalışan gömülü Transformers tabanlı LLM modellerinin yüksek hesaplama donanım ve enerji gereksinimidir. Bu model ağları genellikle yüksek performanslı GPU’lar ya da İHA’ya entegre edilmiş dayanıklı süper‑bilgisayarlar gerektirir. Hatırlarsanız bir önceki makalem de Rusların nvidia jetson orin ile çalışan Geran-2 drone’unu incelemiştim. O makalemede göz atabilirsiniz.
Hibrit Spiking Neural Network (SNN) ve Nedensel Akıl Yürütme (CR) mimarilerisinin kullanımı daha düşük enerji tüketimi, daha hızlı karar verme yani düşük gecikme ve daha yüksek güvenilirlik sağlar. Şimdi bu yapıları; SNN & CR hibrit mimarisi olan CR-SNN’i kurgulayalım. Bu hibrit sistem, SNN’lerin biyolojik esinli ve olay tabanlı yapısı sayesinde özellikle nöromorfik donanım üzerinde enerji verimliliği ve hız sağlarken, Judea Pearl’ün nedensellik modeli (SCM’ler ve do-hesabı) temelindeki CR yani Causal Reasoning, İHA’ların karmaşık senaryolarda daha iyi durumsal farkındalık geliştirmesine, otonom hedef takibi gibi görevleri daha etkili şekilde yerine getirmesine ve eğitim verilerinde bulunmayan yeni durumlara karşı daha net ve genellenebilir çıktılar vermesini sağlayacaktır.
Ayrıca, mevcut sistemler kontrollü ortamlarda yüksek doğruluk sergilese de sivil veya savaş alanının karmaşıklığı karşısında yaşanacak durumlarda çıktı-kalite performansını kaybeder ve hatalı yanıt alma olasılığı oldukça artar. Özellikle dinamik koşullar ve İHA’ya saldırı durumlarında karşıt hareket etmesi oldukça zorlaşır. Örneğin kalabalık bir kentsel bölgede siviller ile muharip unsurları ayırt etmesi veya kamufle edilmiş hedefleri saptaması yapay zeka modelleri ile halen çok zorludur. Ayrıca kara kutu niteliğindeki derin öğrenme modellerinin karar gerekçelerini açıklayamaması da, askeri operasyonlarda silahlandırılmış İHA’ların güven ve hesap verebilirliğini olumsuz etkiliyor. Buna ek olarak, yüksek bant genişlikli sensör verisini yani yüksek çözünürlüklü normal & termal görüntüleri veya yapay açıklıklı radar görüntüleri gerçek zamanlı işlemek için gereken hesap gücü mevcut mimarileri zorlar ve karar süresinide ayrıca uzatır.
NVIDIA Jetson Orin Nano gibi popüler edge bilgisayar platformlarında bile, optimize edilmiş YOLOv8n gibi modellerin çerçeve başına işleme süreleri 10 FPS civarında kalabilmekte, bu da gerçek zamanlı navigasyon için gerekli olan 30 FPS’in altında kalıyor. Ayrıca cihazın soğutma ihtiyacı olması ve 20w ortalama güç tüketimi yine ağırlık ve enerji prensipleri için sorun yaratıyor.
Ayrıca C4 merkezine karar-destek sistemine verilerin gönderilmesi ve geri görevlerinin aktarılması ise 150 ms’yi aşan uçtan uca gecikmelere neden olabilmekte, bu da İHA’nın karar verme için optimal pencereyi kaçırmasına yol açar. Bu arada sadece metrik detaylar değil, ayrıca bu yeni nesil askeri İHA’lardan beklenen yetenekler arasında; daha yüksek otonomi seviyeleri, karmaşık ve belirsiz ortamlarda daha iyi durumsal farkındalık, daha hızlı ve doğru karar verme, daha uzun menzil ve havada kalma görev süresi ve operasyonel insanlı savaş jetlerine koordineli eşlik edeceği operasyonlarda kullanılması gibi isterlerin gerçekleşmesi oldukça kritik konular. İşte gereksinimleri karşılamak içinde, mevcut AI mimarilerinin ötesine çıkmalıyız. Daha verimli, daha hızlı, daha güvenilir ve daha akıllı çözümlere ihtiyacımız var. Özellikle de düşük güç tüketimi, düşük gecikme süresi ve yüksek performansı bir arada sunabilen, aynı zamanda karmaşık nedensel ilişkileri anlayıp bunlara göre hareket edebilen hem yazılımsal hemde donanımsal AI sistemleri gerekiyor.
İşte bu noktada, Spiking Neural Networks yani SNN’ler ve Nedensel Akıl Yürütme yani CR gibi yaklaşımların kombinasyonları, bu zorlukların üstesinden gelmek için umut vaat ediyor. Bu Hibrit SNN-CR modelleri, yeni nesil askeri İHA’lar için önemli avantajlar sağlama kapasitesine sahip. SNN’lerin biyolojik sinir sistemlerinden esinlenen zaman tabanlı ve sparse iletişim mekanizmaları sayesinde ANN’lere kıyasla oldukça düşük enerji tüketimi yapar ve aynı zamanda daha hızlı çıkarım süreleri sağlar.
ETH Zurich araştırmacılarının yaptığı aşağıdaki çalışmada bir engelden kaçınma görevi verildiğinde SNN’lerin, aynı görevi gerçekleştiren bir CNN’e kıyasla 6 kat daha az enerji tükettiği ortaya çıkmış. Ayrıca ortalama 2.4 ms’lik bir çıkarım gecikmesi ile çalışarak oldukça dinamik olduğu görülmüştür. İncelemek için:
https://www.sciencedirect.com/science/article/pii/S0925231223010081
Diğer en önemli noktalardan biri Nedensel Akıl Yürütmedir. CR’ın, özellikle Judea Pearl’ün modeli temel alınarak entegrasyonu sağlandığında AI sisteminin sadece model korelasyonları ile değil, nedensel ilişkileri de anlayarak muhakeme vermesi sağlanır. Bu, sayede eğitim verilerinin dağılımından farklı ortamlarda veya beklenmedik durumlarla karşılaşıldığında modelin daha robust ve generalizable olmasını sağlar. Örnek bir case düşünecek olursak bir insan grubu hedefinin tespit edilme görevinde geleneksel modeller kamuflaj rengi, araç, sayı gibi özelliklere odaklanabilirken, nedensel bir model, boy uzunluğu, gölgeler, kamuflaj deseni, askeri operasyon yürüyüşü yada mesafe aralıkları gibi personel profesyonellik özelliklerini ayrıca taşınan silahlar gibi özgün özellikleri doğru donanımlar ile ön plana çıkarabilir.
En çokta üzerinde durmak istediğim uzun süredir araştırdığım ve bu güçlü yapıya entegre edilebilecek olan Causal Reasoning olacak aslında. CR, olaylar arasındaki nedensel ilişkileri Ai’ın anlaması, analiz etmesi ve bu ilişkilere dayalı olarak sonuç çıkararak bir karar verme yada karar-destek sistemine iletme sürecidir. Normalden farkı ne dersek; geleneksel makine öğrenmesi ve LLM modelleri çoğunlukla istatistiksel korelasyonlara yada korelasyon tabanlı analize dayanıyor. CR entegrasyonu ile ise nedensel akıl yürütme sağlatıp “neden” sorusunu modelin kendisine sormasını ve cevaplamasını amaçlıyoruz. Judea Pearl’ün özellikle öncülük ettiği nedensellikte temel bir çerçeve sunuyor. Pearl’ün modelinde Structural Causal Models yanı SCM’ler, causal graph ve do-calculus gibi yapı kavramlarına dayanıyor.
Peki SİHA’ya bu neler katabilir? Örneğin, bir SİHA’nın arıza nedenlerini analiz etmek için oldukça iyi kullanılabilir; GPS arızası, motor arızası, iletişim kesintisi gibi olaylar yaşandığında model düğümleri olarak ve bunlar arasındaki nedensel bağlantı kenarları olarak temsil eden bir nedensel çizelge oluşturulabilir.
“GPS arızası oldu, motor arızası bildirimide geldi ama pervaneler yavaşlamadı ve konum bildirimleri aktif gönderiliyor! O halde sensör denetçisi arıza vermiş olabilir.”
Veya;
“GPS arızası oldu, iletişimde kesildi, irtifa ve güzargahta da sapma yaşıyorum. Acilen güvenli iniş alanı belirlemeliyim!”
gibi çıkarımları sağlar. Muhteşem değil mi!
Umarım aydınlatıcı olmuştur. Bir sonraki bölümde teknik detaylar ve uyarlamalara göz atacağız. Ayrıca neuromorphic chip’in BrainChip Akida geldiğinden PoC sağlamaya çalışacağım.
Görüşmek üzere!
