Peneliti Memberikan Kemampuan Berperilaku Spontan pada AI Robot

Peneliti dan ahli robotika terus berusaha untuk mencapai fungsi otonom pada robot, dan mereka sering melihat otak hewan sebagai inspirasi untuk mekanisme kontrol. Karena sifat tugas-spesifik dari perilaku robot, karena ketergantungan pada modul dan metode kontrol yang telah ditentukan sebelumnya, mereka sering terbatas dalam fleksibilitas.

Pengembangan terbaru di bidang ini berasal dari Universitas Tokyo, di mana peneliti telah menciptakan metode alternatif berbasis pembelajaran mesin untuk memberikan perilaku spontan pada AI robot. Tim ini melakukan ini dengan mengandalkan pola temporal yang rumit, seperti aktivitas neural otak hewan.

Penelitian ini diterbitkan di Science Advances, dengan judul “Desain Perilaku Spontan melalui Kaos Itineransi.”

Kaos Dimensi Tinggi

Sistem dinamis adalah model matematika dari keadaan internal yang berubah, yang menjelaskan robot dan perangkat lunak kontrolnya. Peneliti sangat fokus pada kaos dimensi tinggi, sebuah kelas sistem dinamis, karena kemampuannya yang mengesankan untuk memodelkan otak hewan.

Karena kompleksitas dan sensitivitas terhadap kondisi awal yang bervariasi, kaos dimensi tinggi sangat menantang untuk dikontrol. Untuk memajukan bidang ini dan mengatasi hambatan ini, peneliti dari Laboratorium Sistem Cerdas dan Informatika, dan Pusat Penelitian Kecerdasan Buatan Berikutnya di Universitas Tokyo, telah mengembangkan cara baru untuk menggunakan kaos dimensi tinggi untuk memberikan robot fungsi kognitif yang serupa dengan manusia.

Katsuma Inoue adalah seorang mahasiswa doktoral yang bekerja pada penelitian ini.

“Ada aspek kaos dimensi tinggi yang disebut itineransi kaos (CI) yang dapat menjelaskan aktivitas otak selama mengingat dan mengasosiasikan,” kata Inoue. “Dalam robotika, CI telah menjadi alat kunci untuk mengimplementasikan pola perilaku spontan. Dalam penelitian ini, kami mengusulkan resep untuk mengimplementasikan CI dengan cara yang sederhana dan sistematis hanya menggunakan pola waktu yang rumit yang dihasilkan oleh kaos dimensi tinggi. Kami merasa pendekatan kami memiliki potensi untuk aplikasi yang lebih kuat dan lebih serbaguna dalam merancang arsitektur kognitif. Ini memungkinkan kami untuk merancang perilaku spontan tanpa struktur eksplisit yang telah ditentukan sebelumnya dalam pengontrol, yang akan menjadi hambatan.”

Apa itu Reservoir Computing (RC)?

Tim ini sangat mengandalkan reservoir computing (RC), sebuah teknik pembelajaran mesin yang melibatkan teori sistem dinamis. RC digunakan untuk mengontrol jaringan neural berulang (RNN), dan mempertahankan sebagian besar koneksi RNN tetap sementara mengubah hanya beberapa parameter. Ini berbeda dari pendekatan pembelajaran mesin lainnya, yang sering mengubah sedikit semua koneksi neural dalam jaringan neural, dan hasilnya adalah sistem yang dapat dilatih lebih cepat.

Peneliti mencapai hasil yang diinginkan ketika menerapkan prinsip-prinsip RC pada RNN kaos, dan itu berakhir dengan menunjukkan pola perilaku spontan. Pelatihan untuk jaringan ini terjadi dengan cepat dan sebelum eksekusi.

“Otak hewan menghasilkan kaos dimensi tinggi dalam aktivitasnya, tetapi bagaimana dan mengapa mereka menggunakan kaos masih belum dijelaskan. Model yang kami usulkan dapat memberikan wawasan tentang bagaimana kaos berkontribusi pada pemrosesan informasi di otak kita,” kata Kohei Nakajima, seorang profesor asosiasi di universitas. “Juga, resep kami akan memiliki dampak yang lebih luas di luar bidang neurosains karena dapat diterapkan pada sistem kaos lainnya. Misalnya, perangkat neuromorfik berikutnya yang terinspirasi oleh neuron biologis berpotensi menunjukkan kaos dimensi tinggi dan akan menjadi kandidat yang sangat baik untuk mengimplementasikan resep kami. Saya berharap kita akan melihat implementasi buatan dari fungsi otak sebelum waktu yang terlalu lama.”

Pengembangan ini signifikan untuk bidang robotika dan kecerdasan buatan (AI), karena peneliti telah menghadapi tantangan ini selama beberapa waktu. Ini adalah contoh terbaru tentang bagaimana bidang ini berkembang dengan kecepatan yang cepat.