หุ่นยนต์และ AI ทางกายภาพ
นักวิจัยให้ความสามารถพฤติกรรม tự nhiênแก่ปัญญาประดิษฐ์หุ่นยนต์
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
นักวิจัยและนักหุ่นยนต์พยายามบรรลุหน้าที่อัตโนมัติในหุ่นยนต์อย่างต่อเนื่อง และมักหันไปหาสมองของสัตว์เป็นแรงบันดาลใจสำหรับกลไกการควบคุม เนื่องจากลักษณะเฉพาะของพฤติกรรมหุ่นยนต์ที่ขึ้นอยู่กับโมดูลและวิธีการควบคุมที่กำหนดไว้ล่วงหน้า พวกมันจึงมักมีข้อจำกัดในด้านความยืดหยุ่น
การพัฒนาล่าสุดในด้านนี้มาจากมหาวิทยาลัยโตเกียว โดยที่นักวิจัยได้สร้างวิธีการเรียนรู้ของเครื่องแบบใหม่เพื่อให้พฤติกรรม tự nhiênแก่ปัญญาประดิษฐ์หุ่นยนต์ ทีมงานได้ทำสิ่งนี้โดยอาศัยรูปแบบเวลาที่ซับซ้อน เช่น กิจกรรมของสมองสัตว์
การวิจัยได้รับการตีพิมพ์ใน Science Advances โดยมีชื่อเรื่อง “การออกแบบการเปลี่ยนแปลงพฤติกรรม tự nhiênผ่านความวุ่นวายที่ซับซ้อน”
ความวุ่นวายที่มีมิติสูง
ระบบไดนามิกเป็นแบบจำลองทางคณิตศาสตร์ของสถานะภายในที่เปลี่ยนแปลงอยู่เสมอของบางสิ่ง ซึ่งอธิบายหุ่นยนต์และซอฟต์แวร์ควบคุมของพวกมัน นักวิจัยให้ความสนใจเป็นพิเศษกับความวุ่นวายที่มีมิติสูง ซึ่งเป็นชั้นหนึ่งของระบบไดนามิก เนื่องจากความสามารถที่น่าประทับใจในการสร้างแบบจำลองสมองสัตว์
เนื่องจากความซับซ้อนและความไวต่อเงื่อนไขเริ่มต้นที่แตกต่างกัน ความวุ่นวายที่มีมิติสูงจึงเป็นเรื่องที่ท้าทายในการควบคุม เพื่อขยายความก้าวหน้าและข้ามอุปสรรค này นักวิจัยจากห้องปฏิบัติการระบบและสารสนเทศอัจฉริยะ และศูนย์วิจัยปัญญาประดิษฐ์ยุคใหม่แห่งมหาวิทยาลัยโตเกียว ได้พัฒนาวิธีการใหม่ในการใช้ความวุ่นวายที่มีมิติสูงเพื่อให้หุ่นยนต์มีฟังก์ชั่นการรู้คิดที่คล้ายกับมนุษย์
Katsuma Inoue เป็นนักศึกษาระดับ博士ที่ทำงานในโครงการวิจัย
“มีแง่มุมหนึ่งของความวุ่นวายที่มีมิติสูงเรียกว่าความวุ่นวายที่ซับซ้อน (CI) ซึ่งสามารถอธิบายกิจกรรมของสมองระหว่างการเรียกคืนและจัดเก็บความทรงจำ” Inoue กล่าว “ในด้านหุ่นยนต์ CI เป็นเครื่องมือสำคัญสำหรับการนำพฤติกรรม tự nhiênมาใช้ ในการศึกษานี้ เราเสนอสูตรสำหรับการนำ CI มาใช้ในรูปแบบที่เรียบง่ายและเป็นระบบ โดยใช้เพียงรูปแบบเวลาที่ซับซ้อนซึ่งสร้างขึ้นโดยความวุ่นวายที่มีมิติสูง เรารู้สึกว่าวิธีการของเรามีศักยภาพสำหรับการใช้งานที่มีความยืดหยุ่นและทนทานมากขึ้นเมื่อพูดถึงการออกแบบสถาปัตยกรรมการรู้คิด มันทำให้เราสามารถออกแบบพฤติกรรม tự nhiênได้โดยไม่ต้องมีโครงสร้างที่กำหนดไว้ล่วงหน้าในตัวควบคุม ซึ่งจะขัดขวางการทำงานของเรา”
Reservoir Computing (RC) คืออะไร
ทีมงานได้พึ่งพาเทคนิคการเรียนรู้ของเครื่องแบบ Reservoir Computing (RC) ซึ่งเป็นทฤษฎีระบบไดนามิกที่ใช้ในการควบคุมเครือข่ายประสาทเทียม (RNNs) RC จะเก็บการเชื่อมต่อส่วนใหญ่ของ RNN ไว้และเปลี่ยนเพียงพารามิเตอร์บางส่วนเท่านั้น ซึ่งแตกต่างจากวิธีการเรียนรู้ของเครื่องแบบอื่นๆ ที่มักจะเปลี่ยนการเชื่อมต่อทั้งหมดของเครือข่ายประสาทเทียมเล็กน้อย และส่งผลให้ระบบสามารถฝึกได้เร็วขึ้น
นักวิจัยได้ผลลัพธ์ที่ต้องการเมื่อนำหลักการของ RC ไปใช้กับ RNN ที่วุ่นวาย และส่งผลให้แสดงพฤติกรรม tự nhiên การฝึกเครือข่ายเกิดขึ้นอย่างรวดเร็วและก่อนการดำเนินการ
“สมองของสัตว์แสดงความวุ่นวายที่มีมิติสูงในกิจกรรมของพวกมัน แต่วิธีการและเหตุผลที่พวกมันใช้ความวุ่นวายยังคงไม่ทราบ” Kohei Nakajima ผู้ช่วยศาสตราจารย์แห่งมหาวิทยาลัยกล่าว “แบบจำลองที่เราเสนออาจให้ข้อมูลเชิงลึกเกี่ยวกับวิธีการที่ความวุ่นวายมีส่วนช่วยในการประมวลผลข้อมูลในสมองของเรา” “นอกจากนี้ สูตรของเรายังมีผลกระทบในวงกว้างนอกเหนือจากสาขาประสาทวิทยาศาสตร์ เนื่องจากสามารถนำไปใช้กับระบบที่วุ่นวายอื่นๆ ได้ ตัวอย่างเช่น อุปกรณ์แบบใหม่ที่ได้รับแรงบันดาลใจจากสมองชีวภาพที่อาจแสดงความวุ่นวายที่มีมิติสูง และจะเป็นตัวเลือกที่ดีสำหรับการนำสูตรของเราไปใช้ ฉันหวังว่าเราจะได้เห็นการนำฟังก์ชั่นของสมองมาใช้ในรูปแบบปัญญาประดิษฐ์ไม่ช้า
การพัฒนานี้มีความสำคัญสำหรับสาขาหุ่นยนต์และปัญญาประดิษฐ์ (AI) เนื่องจากนักวิจัยได้พยายามที่จะแก้ไขความท้าทายนี้มาระยะหนึ่งแล้ว และเป็นตัวอย่างล่าสุดของความก้าวหน้าที่รวดเร็วในด้านเหล่านี้
