Fremgang i menneske-robot-datamaskin-forskning

Den automatiserte eksperimentelle fasiliteten, kalt Intelligent Towing Tank (ITT), utførte rundt 100 000 eksperimenter i sitt første år med drift. Det som vanligvis ville ta en PhD-student fem år å fullføre, klarte ITT å gjøre på noen uker. Utviklingen av ITT i MIT Sea Grant Hydrodynamics Laboratory tar oss videre inn i området menneske-robot-datamaskin-forskning. 

ITT utfører, analyserer og designer eksperimenter automatisk og adaptivt. Eksperimentene fokuserer på å utforske vortex-induserte vibrasjoner (VIVs). VIVs er viktige for ingeniørarbeid med offshore havstrukturer som marine boring-riser, som er ansvarlige for å koble sammen undervanns oljebrønner til overflaten. Med VIVs er det et høyt antall parametre involvert.

ITT styres av aktiv læring og utfører en rekke eksperimenter. Innenfor eksperimentene velges parameterne for hvert neste eksperiment av en datamaskin. Systemet bruker en “utforsk-og-utnytt”-metodikk, som hjelper å redusere antallet eksperimenter som kreves for å kartlegge og utforske de komplekse aspektene ved VIVs.

PhD-kandidat Dixia Fan startet prosjektet mens han lette etter en måte å redusere de tusenvis av eksperimenter som måtte utføres for hånd. Dette ledet til utviklingen av ITT-systemet. 

En artikkel ble publisert forrige måned i tidsskriftet Science Robotics. 

Fan er nå en postdoktor, og prosjektet ble arbeidet med av et team av forskere fra MIT Sea Grant College Program og MITs avdeling for mekanisk ingeniørvitenskap, École Normale Supérieure de Rennes og Brown University. Det nye prosjektet viser typen samarbeid som kan finne sted mellom mennesker, datamaskiner og roboter for å gjøre vitenskapelige oppdagelser raskere.

ITT er en 33-fot tank, og den fungerer uten avbrytelse eller suspensjon. Forskerne ønsker å se systemet brukt i en rekke ulike disipliner, som kan føre til skapelsen av nye modeller i ikke-lineære systemer. 

ITT tillot Fan og hans samarbeidspartnere å utforske et bredere parameterrom. “Hvis vi utførte tradisjonelle teknikker på problemet vi studerer, ville det ta 950 år å fullføre eksperimentet,” forklarte han. 

For å forkorte den lange tiden det ville ta for eksperimentet, integrerte Fan og teamet en Gaussian prosess-regresjonslæring-algoritme i ITT. Ved å gjøre dette, kunne forskerne redusere antallet eksperimenter som var nødvendige, ned til noen tusen. 

Det robotiske systemet er i stand til å utføre en innledende rekke eksperimenter automatisk. Det tar deretter delvis kontroll over parameterne for det neste eksperimentet. 

Fan mottok en MIT Mechanical Engineering de Florez-pris for “Utmerket ingeniørkunst og kreativ dømmekraft” i utviklingen av ITT. 

Ifølge Michael Triantafyllou, Henry L. og Grace Doherty Professor i havvitenskap og ingeniørvitenskap, og også Fans doktorgradsveileder, “Dixias design av Intelligent Towing Tank er et utmerket eksempel på å bruke nye metoder til å gjenopplive modne felt.” 

Triantafyllou var medforfatter på artikkelen og direktør for MIT Sea Grant College Program. 

“MIT Sea Grant har begrenset ressurser og finansiert prosjekter som bruker dyptlæring-metoder i hav-relaterte problemer i flere år, som allerede betaler av,” sa han.

MIT er finansiert av National Oceanic and Atmospheric Administration og administrert av National Sea Grant Program. Det er et føderalt-institusjonelt partnerskap som kombinerer forskning og ingeniørvitenskap ved MIT for å hjelpe med å takle hav-relaterte problemer, 

Andre bidragsytere til artikkelen inkluderer George Karniadakis fra Brown University, tilknyttet MIT Sea Grant; Gurvan Jodin fra ENS Rennes; MIT PhD-kandidat i mekanisk ingeniørvitenskap Yu Ma; og Thomas Consi, Luca Bonfiglio og Lily Keyes fra MIT Sea Grant.