Tutkijat antoivat robotti-AI:lle spontaanin käyttäytymisen

Tutkijat ja robotti-insinöörit pyrkivät jatkuvasti saavuttamaan autonomiset toiminnot roboteissa, ja usein he etsivät eläinten aivoista inspiraatiota ohjausjärjestelmien kehittämiseen. Robottien käyttäytyminen on usein rajoitettua johtuen ennalta määritettyjen moduulien ja ohjausmenetelmien käytöstä.

Uusin kehitys tällä alalla tulee Tokion yliopistosta, jossa tutkijat ovat kehittäneet vaihtoehtoisen koneoppimiseen perustuvan menetelmän antamaan robotti-AI:lle spontaaneja käyttäytymismalleja. Tutkijat käyttivät tähän tarkoitukseen monimutkaisia aikasuhteita, kuten eläinten aivojen hermostoaktiivisuutta.

Tutkimus julkaistiin Science Advances -julkaisussa, jonka otsikko on “Designing spontaneous behavioral switching via chaotic itinerancy.”

Korkean dimensionaalisuuden kaaos

Dynaaminen järjestelmä on matemaattinen malli jostakin jatkuvasti muuttuvasta sisäisestä tilasta, joka kuvaa roboteja ja niiden ohjelmistoja. Tutkijat ovat erityisen kiinnostuneita korkean dimensionaalisuuden kaaoksesta, joka on dynaamisten järjestelmien luokka, sen vaikuttavan kyvyn vuoksi mallittaa eläinten aivoja.

Korkean dimensionaalisuuden kaaos on erityisen haasteellista hallita sen monimutkaisuuden ja herkkyyden vuoksi vaihteleviin alkutilanteisiin. Tutkijat Intelligent Systems and Informatics Laboratorysta ja Next Generation Artificial Intelligence Research Centerista Tokion yliopistosta ovat kehittäneet uusia tapoja käyttää korkean dimensionaalisuuden kaaosta antaakseen robooteille kognitiivisia toimintoja, jotka ovat samanlaisia kuin ihmisillä.

Katsuma Inoue on väitöskirjatutkija, joka työskentelee tutkimuksessa.

“Korkean dimensionaalisuuden kaaoksessa on yksi puoli, jota kutsutaan kaaoksen itineraatioksi (CI), joka voi selittää aivotoimintaa muistin palautuksen ja assosiaation aikana”, Inoue sanoi. “Robotiikassa CI on ollut avain väline spontaaniin käyttäytymismallien toteuttamiseen. Tässä tutkimuksessa esitämme reseptin CI:n toteuttamiseksi yksinkertaisella ja järjestelmällisellä tavalla vain käyttäen monimutkaisia aikasarjoja, jotka ovat peräisin korkean dimensionaalisuuden kaaoksesta. Meidän lähestymistapa pitäisi tarjota mahdollisuuksia kehittää kognitiivisia arkkitehtuureja. Se sallii meidän suunnitella spontaaneja käyttäytymismalleja ilman ennalta määritettyjä eksplisiittisiä rakenteita ohjaimessa, mikä muuten toimisi esteenä.”

Mikä on Reservoir Computing (RC)?

Tutkijat luottivat voimakkaasti reservoir computingiin (RC), joka on koneoppimismenetelmä, joka perustuu dynaamisten järjestelmien teoriaan. RC:tä käytetään ohjaamaan toistuvia neuroverkkoja (RNN), ja se pitää useimmat RNN:n yhteydet kiinni ja muuttaa vain muutamia parametreja. Tämä on erilainen kuin muut koneoppimismenetelmät, jotka usein muuttavat hieman kaikkia neuroyhteyksiä neuroverkossa, ja se johtaa siihen, että järjestelmä voidaan kouluttaa nopeammin.

Tutkijat saavuttivat toivottu tuloksen soveltamalla RC-periaatteita kaaottiseen RNN:ään, ja se osoittautui lopulta spontaaneiksi käyttäytymismalleiksi. Verkon koulutus tapahtuu nopeasti ja ennen suorittamista.

“Eläinten aivot tuottavat korkean dimensionaalisuuden kaaosta toiminnassaan, mutta miten ja miksi ne käyttävät kaaosta, ei ole selitetty. Meidän ehdottamamme malli voi tarjota näkemystä siihen, miten kaaos vaikuttaa tietojen prosessointiin aivoissamme”, sanoi Kohei Nakajima, yliopiston apulaisprofessori. “Meidän reseptimme voi myös vaikuttaa laajemmin neurotieteiden ulkopuolella, koska sitä voidaan soveltaa muihin kaaosjärjestelmiin. Esimerkiksi seuraavan sukupolven neuromorfinen laitteet, jotka ovat inspiroitu biologisista hermosoluista, voivat osoittaa korkean dimensionaalisuuden kaaosta ja olisivat erinomaisia ehdokkaita meidän reseptimme toteuttamiseen. Toivon, että näemme keinotekoisten aivotoimintojen toteutuksen pian.”

Kehitys on merkittävä robottiikan ja tekoälyalan (AI) kannalta, koska tutkijat ovat olleet haasteiden edessä jonkin aikaa. Se on viimeisin esimerkki siitä, miten alat kehittyvät nopeasti.