Onderzoekers geven robotische AI spontaan gedrag

Onderzoekers en roboticisten proberen voortdurend autonome functies in robots te bereiken en kijken vaak naar de dierlijke hersenen als inspiratiebron voor controlemechanismen. Vanwege de taakgerichte aard van robotgedrag, vanwege de afhankelijkheid van vooraf gedefinieerde modules en controlemethoden, zijn ze vaak beperkt in flexibiliteit.

De nieuwste ontwikkeling op dit gebied komt uit de Universiteit van Tokio, waar onderzoekers een alternatieve machine learning-gebaseerde methode hebben ontwikkeld om robotische AI spontane gedragingen te geven. Het team deed dit door te vertrouwen op ingewikkelde tijdelijke patronen, zoals de neurale activiteiten van een dierlijke hersenen.

Het onderzoek werd gepubliceerd in Science Advances, getiteld “Designing spontaneous behavioral switching via chaotic itinerancy.” 

Hoogdimensionale chaos

Een dynamisch systeem is een wiskundig model van de voortdurend veranderende interne staten van iets, dat robots en hun controlesoftware beschrijft. Onderzoekers zijn vooral geïnteresseerd in hoogdimensionale chaos, een klasse van dynamische systemen, vanwege hun indrukwekkende vermogen om dierlijke hersenen te modelleren. 

Vanwege de complexiteit en gevoeligheid voor variabele initiële voorwaarden is hoogdimensionale chaos vooral moeilijk te controleren. Om het veld vooruit te helpen en deze hindernis te overwinnen, hebben onderzoekers van het Intelligent Systems and Informatics Laboratory en het Next Generation Artificial Intelligence Research Center van de Universiteit van Tokio nieuwe manieren ontwikkeld om hoogdimensionale chaos te gebruiken om robots cognitieve functies te geven die vergelijkbaar zijn met die van mensen. 

Katsuma Inoue is een doctoraal student die aan het onderzoek werkt. 

“Er is een aspect van hoogdimensionale chaos genaamd chaotische itinerantie (CI) dat hersenactiviteit tijdens geheugenoproeping en associatie kan verklaren,” zei Inoue. “In de robotica is CI een belangrijk instrument geweest voor het implementeren van spontane gedragspatronen. In deze studie stellen we een recept voor om CI op een eenvoudige en systematische manier te implementeren met behulp van ingewikkelde tijdsreekspatronen gegenereerd door hoogdimensionale chaos. We voelden dat onze aanpak potentieel heeft voor robuustere en veelzijdigere toepassingen bij het ontwerpen van cognitieve architectuur. Het stelt ons in staat om spontane gedragingen te ontwerpen zonder enige vooraf gedefinieerde expliciete structuren in de controller, die anders een hindernis zouden vormen.”

Wat is Reservoir Computing (RC) 

Het team vertrouwde zwaar op reservoir computing (RC), een machine learning-techniek die dynamische systemen theorie betreft. RC wordt gebruikt om recurrente neurale netwerken (RNN’s) te controleren en houdt de meeste verbindingen van een RNN vast terwijl het alleen een paar parameters wijzigt. Dit is anders dan andere machine learning-benaderingen, die vaak alle neurale verbindingen in een neurale netwerk licht wijzigen, en het resulteert in een systeem dat sneller getraind kan worden.

De onderzoekers bereikten het gewenste resultaat toen ze RC-principes toepasten op een chaotisch RNN, en het bleek spontane gedragspatronen te demonstreren. De training voor het netwerk gebeurt snel en voorafgaand aan de uitvoering. 

“Dierlijke hersenen vertonen hoogdimensionale chaos in hun activiteiten, maar hoe en waarom ze chaos gebruiken, blijft onverklaard. Ons voorgestelde model kan inzicht bieden in hoe chaos bijdraagt aan informatieverwerking in onze hersenen,” zei Kohei Nakajima, een associate professor aan de universiteit. “Ook zou ons recept een bredere impact kunnen hebben buiten het veld van de neurologie, aangezien het potentieel kan worden toegepast op andere chaotische systemen. Bijvoorbeeld, next-generation neuromorfe apparaten geïnspireerd door biologische neuronen vertonen mogelijk hoogdimensionale chaos en zouden uitstekende kandidaten zijn voor het implementeren van ons recept. Ik hoop dat we binnenkort kunstmatige implementaties van hersenfuncties zullen zien.”

De ontwikkeling is significant voor de gebieden van robotica en kunstmatige intelligentie (AI), aangezien onderzoekers al een tijdje met deze uitdaging worstelen. Het is het recentste voorbeeld van hoe de gebieden snel vooruitgaan.