Forskere giver robotter med kunstig intelligens spontant adfærd

Forskere og robotteknikere prøver konstant at opnå autonome funktioner i robotter, og de søger ofte inspiration i dyrenes hjerner til kontrolmekanismer. På grund af den opgave-specifikke natur af robotadfærd, på grund af afhængigheden af foruddefinerede moduler og kontrolmetoder, er de ofte begrænsede i fleksibilitet.

Den nyeste udvikling på dette område kommer fra University of Tokyo, hvor forskere har udviklet en alternativ maskinlæringsbaseret metode til at give robotter med kunstig intelligens spontant adfærd. Holdet gjorde dette ved at afhænge af intrikate tidsmæssige mønstre, såsom en dyrehjernes neurale aktiviteter.

Forskningen blev offentliggjort i Science Advances, med titlen “Designing spontan adfærdsskiftning via kaotisk itinerancy.”

Høj-dimensionel kaos

Et dynamisk system er en matematisk model af de konstant skiftende interne tilstande af noget, som beskriver robotter og deres kontrolsoftware. Forskere er især fokuseret på høj-dimensionel kaos, en klasse af dynamiske systemer, på grund af dets imponerende evne til at modelere dyrehjerner.

På grund af kompleksiteten og følsomheden over for varierende begyndelsesbetingelser, er høj-dimensionel kaos især udfordrende at kontrollere. For at fremme feltet og overvinde dette hinder, har forskere fra Intelligent Systems and Informatics Laboratory og Next Generation Artificial Intelligence Research Center på University of Tokyo udviklet nye måder at bruge høj-dimensionel kaos til at give robotter kognitive funktioner lignende menneskers.

Katsuma Inoue er en ph.d.-studerende, der arbejder på forskningen.

“Der er et aspekt af høj-dimensionel kaos kaldet kaotisk itinerancy (CI), som kan forklare hjernens aktivitet under hukommelsesgenkaldelse og association,” sagde Inoue. “I robotteknik er CI blevet et vigtigt værktøj til at implementere spontane adfærds mønstre. I denne studie, foreslår vi en recept til at implementere CI på en simpel og systematisk måde kun ved at bruge komplicerede tidsmæssige mønstre genereret af høj-dimensionel kaos. Vi føler, at vores tilgang har potentiale for mere robuste og fleksible anvendelser, når det kommer til at designe kognitive arkitekturer. Det tillader os at designe spontane adfærd uden nogen foruddefinerede eksplisitte strukturer i kontrolleren, som ellers ville fungere som et hinder.”

Hvad er Reservoir Computing (RC)

Holdet afhængede stærkt af reservoir computing (RC), en maskinlærings-teknik, der involverer dynamiske systemers teori. RC bruges til at kontrollere rekurrente neurale netværk (RNN), og det holder de fleste forbindelser i et RNN fast, mens det kun ændrer få parametre. Dette adskiller sig fra andre maskinlærings-tilgange, som ofte ændrer alle neurale forbindelser i et neuralt netværk, og det resulterer i, at systemet kan trænes hurtigere.

Forskerne opnåede det ønskede resultat, da de anvendte RC-principper på et kaotisk RNN, og det endte med at demonstrere spontane adfærds mønstre. Træningen af netværket sker hurtigt og før udførelse.

“Dyrenes hjerner giver høj-dimensionel kaos i deres aktiviteter, men hvordan og hvorfor de bruger kaos, er ikke forklaret. Vores foreslåede model kunne give indsigt i, hvordan kaos bidrager til informationsbehandling i vores hjerner,” sagde Kohei Nakajima, en lektor ved universitetet. “Og vores recept ville have en bredere indvirkning uden for neurovidenskabens felt, da den potentielt kan anvendes på andre kaotiske systemer. For eksempel, næste generations neuromorfiske enheder, inspireret af biologiske neuroner, kunne potentielt udvise høj-dimensionel kaos og ville være fremragende kandidater til at implementere vores recept. Jeg håber, vi vil se kunstige implementationer af hjernens funktioner før for længe.”

Udviklingen er betydningsfuld for robotteknik og kunstig intelligens (AI), da forskere har arbejdet med denne udfordring i længe. Det er det seneste eksempel på, hvordan feltene udvikler sig i en hurtig takt.