Fremgang i menneske-robot-datamaskin-forskning

Den automatiserte eksperimentfasiliteten, kalt den intelligente slepetanken (ITT), utførte rundt 100 000 totale eksperimenter i sitt første driftsår. Det som normalt ville ta en PhD-student fem år å fullføre med eksperimenter, 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 automatisk og adaptivt eksperimenter, analyserer og designer eksperimenter. Eksperimentene er fokusert på å utforske virvelinduserte vibrasjoner (VIVs). VIVs er viktige for ingeniørarbeid med havstrukturer som marine bore-riser, som er ansvarlige for å koble sammen undervanns oljebrønner med overflaten. Med VIVs er det et stort antall parametre involvert.

ITT styres av aktiv læring, og den utfører en rekke eksperimenter. Innenfor eksperimentene velges parameterne for hvert neste eksperiment av en datamaskin. Systemet bruker en “utforsk og utnytt” metode, 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 det tusen eller så 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 maskinteknikk, 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 tank på 33 fot, og den arbeider uten avbrytelse eller suspendering. Forskerne ønsker å se systemet brukt i en rekke ulike disipliner, som kunne føre til skapingen av nye modeller i ikke-lineære systemer. 

ITT tillot Fan og hans medarbeidere å utforske et bredere parameterrom. “Hvis vi utførte tradisjonelle tekniker 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 trengs, ned til noen tusen. 

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

Fan ble tildelt 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 -teknikk, og også Fans doktorgradsveileder, “Dixias design av den intelligente slepetanken er et utmerket eksempel på å bruke nye metoder til å gjenopplive modne fagområder.” 

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 ingeniørarbeid 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 maskinteknikk Yu Ma; og Thomas Consi, Luca Bonfiglio og Lily Keyes fra MIT Sea Grant.