Výzkumníci dávají robotickému AI spontánní chování

Výzkumníci a robotici neustále snaží dosáhnout autonomních funkcí u robotů a často se inspirují zvířecím mozkem jako bodem inspirace pro kontrolní mechanismy. Kvůli úkolově specifické povaze robotického chování, kvůli závislosti na předdefinovaných modulech a kontrolních metodologiích, jsou často omezeni na flexibilitu.

Nejnovější vývoj v této oblasti pochází z Tokijské univerzity, kde výzkumníci vytvořili alternativní metodou založenou na strojovém učení, aby poskytli robotickému AI spontánní chování. Tým to udělal tím, že se spoléhal na složitých časových vzorců, jako je činnost neuronů zvířecího mozku.

Výzkum byl zveřejněn v Science Advances, s názvem “Designing spontaneous behavioral switching via chaotic itinerancy.”

High-Dimensional Chaos

Dynamický systém je matematický model neustále se měnících vnitřních stavů něčeho, který popisuje roboty a jejich kontrolní software. Výzkumníci se zejména zaměřují na high-dimensionální chaos, třída dynamických systémů, kvůli jeho působivému schopnostem modelovat zvířecí mozek.

Kvůli složitosti a citlivosti na různé počáteční podmínky je high-dimensionální chaos besonders obtížné ovládat. Aby pokročili v oboru a překonali tuto překážku, výzkumníci z Laboratoře inteligentních systémů a informačníky a Centra pro výzkum umělé inteligence příští generace na Tokijské univerzitě vyvinuli nové způsoby, jak využít high-dimensionální chaos k poskytnutí robotům kognitivních funkcí podobných lidem.

Katsuma Inoue je doktorand, který pracuje na výzkumu.

“Existuje jeden aspekt high-dimensionálního chaosu nazývaný chaotická itinerance (CI), který může vysvětlit mozkovou aktivitu během vzpomínání a asociace,” řekl Inoue. “V robotice je CI klíčovým nástrojem pro implementaci spontánních behaviorálních vzorců. V tomto studiu navrhujeme recept na implementaci CI jednoduchým a systematickým způsobem pouze pomocí složitých časových vzorců generovaných high-dimensionálním chaosem. Myslíme si, že náš přístup má potenciál pro více robustní a všestranné aplikace, pokud jde o návrh kognitivních architektur. Umožňuje nám navrhnout spontánní chování bez jakýchkoli předdefinovaných explicitních struktur v kontroléru, které by jinak sloužily jako překážka.”

Co je Reservoir Computing (RC)

Tým se silně spoléhal na reservoir computing (RC), techniku strojového učení založenou na teorii dynamických systémů. RC se používá k ovládání rekurentních neuronových sítí (RNN), a zachovává většinu spojení RNN pevných, zatímco mění pouze několik parametrů. To se liší od ostatních přístupů strojového učení, které často mírně mění všechna neuronová spojení v neuronové síti, a výsledkem je, že systém může být trénován rychleji.

Výzkumníci dosáhli požadovaného výsledku, když aplikovali principy RC na chaotickou RNN, a ukázalo se, že demonstruje spontánní behaviorální vzorce. Trénink sítě probíhá rychle a před provedením.

“Zvířecí mozek vykazuje high-dimensionální chaos ve své činnosti, ale jak a proč využívá chaos, zůstává nevysvětlitelné. Naše navrhované modely by mohly nabídnout vhled do toho, jak chaos přispívá k zpracování informací v našich mozcích,” řekl Kohei Nakajima, docent na univerzitě. “Také náš recept by mohl mít širší dopad mimo obor neurovědy, protože by mohl být aplikován i na jiné chaotické systémy. Například zařízení next-generation neuromorfní inspirace biologickými neurony by mohla vykazovat high-dimensionální chaos a byla by excelenteními kandidáty pro implementaci našeho receptu. Doufám, že brzy uvidíme umělá provedení mozkových funkcí.”

Vývoj je významný pro obory robotiky a umělé inteligence (AI), protože výzkumníci se touto výzvou zabývají již nějakou dobu. Je to nejnovější příklad toho, jak se obory rychle vyvíjí.