Forskere gir robotisk AI spontant atferd

Forskere og robotikere prøver kontinuerlig å oppnå autonome funksjoner i roboter, og de ser ofte mot dyrehirnene som en inspirasjon for kontrollmekanismer. På grunn av den oppgave-spesifikke naturen til robotatferd, på grunn av avhengighet av forhåndsdefinerte moduler og kontrollmetodologier, er de ofte begrenset i fleksibilitet.

Den nyeste utviklingen i dette området kommer fra Universitetet i Tokyo, der forskerne har utviklet en alternativ maskinlæringsbasert metode for å gi robotisk AI spontant atferd. Teamet gjorde dette ved å bruke intrikate tidsmønster, som en dyrehirns neurale aktiviteter.

Forskningen ble publisert i Science Advances, med tittelen “Designing spontaneous behavioral switching via chaotic itinerancy.”

Høydimensjonal Kaos

Et dynamisk system er en matematisk modell av de stadig endrende interne tilstander av noe, som beskriver roboter og deres kontrollprogramvare. Forskere er spesielt fokusert på høydimensjonal kaos, en klasse av dynamiske systemer, på grunn av dens imponerende evne til å modellere dyrehirner.

På grunn av kompleksiteten og sensitiviteten til varierende initialbetingelser, er høydimensjonal kaos spesielt utfordrende å kontrollere. For å fremme feltet og overvinne denne hindringen, har forskere fra Intelligent Systems and Informatics Laboratory, og Next Generation Artificial Intelligence Research Center ved Universitetet i Tokyo, utviklet nye måter å bruke høydimensjonal kaos til å gi roboter kognitive funksjoner lignende mennesker.

Katsuma Inoue er en doktorgradsstudent som arbeider med forskningen.

“Det er et aspekt av høydimensjonal kaos som kalles kaotisk itinerancy (CI) som kan forklare hjerneaktivitet under minnehenting og assosiasjon,” sa Inoue. “I robotikk har CI vært et nøkkelverktøy for å implementere spontant atferdsmønster. I denne studien foreslår vi en oppskrift for å implementere CI på en enkel og systematisk måte bare ved å bruke kompliserte tidsmønster generert av høydimensjonal kaos. Vi føler at vår tilnærming har potensial for mer robuste og fleksible applikasjoner når det gjelder å designe kognitive arkitekturer. Det lar oss designe spontant atferd uten noen forhåndsdefinerte eksplisitte strukturer i kontrolleren, som ellers ville tjene som en hindring.”

Hva er Reservoir Computing (RC)?

Teamet la sterkt vekt på reservoir computing (RC), en maskinlæringsmetode som involverer dynamiske systemteorier. RC brukes til å kontrollere rekurrerende neurale nettverk (RNN), og den holder de fleste forbindelsene i et RNN fast mens den bare endrer noen få parametre. Dette er forskjellig fra andre maskinlæringsmetoder, som ofte endrer alle neurale forbindelser i et neuralt nettverk, og det resulterer i at systemet kan trenes raskere.

Forskerne oppnådde det ønskede resultatet da de anvendte RC-prinsipper på et kaotisk RNN, og det endte med å demonstrere spontant atferdsmønster. Treningen for nettverket skjer raskt og før eksekvering.

“Dyrehirner viser høydimensjonal kaos i sine aktiviteter, men hvordan og hvorfor de bruker kaos, er ikke forklart. Vår foreslåtte modell kunne gi innsikt i hvordan kaos bidrar til informasjonsbehandling i våre hjerner,” sa Kohei Nakajima, en assosiert professor ved universitetet. “Også vår oppskrift ville ha en bredere innvirkning utenfor feltet nevroforskning, siden den potensielt kan anvendes på andre kaotiske systemer også. For eksempel, neste generasjons neuromorfe enheter inspirert av biologiske nerver, viser høydimensjonal kaos og ville være utmerkede kandidater for å implementere vår oppskrift. Jeg håper vi vil se kunstige implementeringer av hjernefunksjoner før ikke så lenge. Utviklingen er betydelig for feltene robotikk og kunstig intelligens (AI), siden forskerne har vært opptatt av denne utfordringen i en stund. Det er det nyeste eksempelet på hvordan feltene utvikler seg i raskt tempo.