Araştırmacılar Robotic AI’ye Spontan Davranış Verdi

Araştırmacılar ve robotik uzmanları, robotlarda otonom işlevler elde etmeye sürekli olarak çalışıyorlar ve genellikle kontrol mekanizmaları için ilham kaynağı olarak hayvan beynine bakıyorlar. Robotik davranışın görev özgüllüğü nedeniyle, önceden tanımlanmış modüller ve kontrol metodolojilerine bağımlılık nedeniyle, esneklik açısından sıklıkla sınırlı olurlar.

Bu alanda gelen en yeni gelişme, Tokyo Üniversitesi’nden geliyor, burada araştırmacılar robotik AI’ye spontan davranışlar vermek için makine öğrenimi tabanlı bir yöntem geliştirdiler. Ekibin bunu, bir hayvan beyninin nöral aktiviteleri gibi karmaşık zamanlı desenlere güvenerek başardığı söyleniyor.

Araştırma “Spontan Davranış Değişimi Tasarlamak için Kaotik Gezinti” başlıklı bir makale olarak Science Advances dergisinde yayımlandı.

Yüksek Boyutlu Kaos

Dinamik bir sistem, her şeyin iç durumlarının sürekli değişimini tanımlayan bir matematiksel modeldir ve bu, robotları ve kontrol yazılımlarını tanımlar. Araştırmacılar, özellikle yüksek boyutlu kaos üzerinde çalışıyorlar, çünkü bu, hayvan beyinlerini modelleme yeteneği açısından etkileyici bir sınıf dinamik sistemdir.

Yüksek boyutlu kaos, karmaşıklığı ve değişen başlangıç koşullarına duyarlılığı nedeniyle özellikle zorlu bir kontrol sorunudur. Bu alandaki ilerlemeyi sağlamak ve bu engeli aşmak için, Tokyo Üniversitesi’ndeki Akıllı Sistemler ve Bilişim Laboratuvarı ve Yeni Nesil Yapay Zeka Araştırma Merkezi’nden araştırmacılar, robotlara insanlara benzer bilişsel işlevler sağlamak için yüksek boyutlu kaos kullanma yollarını geliştirdiler.

Katsuma Inoue, bu araştırmada çalışan bir doktora öğrencisidir.

“Yüksek boyutlu kaosun bir yönü, hafıza geri çağırma ve ilişkilendirme sırasında beyin aktivitesini açıklayabilen kaotik gezi vardır” dedi Inoue. “Robotikte, CI, spontan davranış kalıplarını uygulamak için bir anahtar araç olmuştur. Bu çalışmada, karmaşık zaman serileri desenleri kullanarak yüksek boyutlu kaosla CI’yi basit ve sistematik bir şekilde uygulamak için bir tarif öneriyoruz. Yaklaşımımızın, bilişsel mimarileri tasarlamak için daha güçlü ve çok yönlü uygulamalar için potansiyeli olduğuna inanıyoruz. Bu, kontrolörde önceden tanımlanmış açık yapılar olmadan spontan davranışlar tasarlamamızı sağlar, bu da otherwise bir engel oluştururdu.”

Reservoir Computing (RC) Nedir?

Ekibin, dinamik sistemler teorisini içeren bir makine öğrenimi tekniği olan reservoir computing (RC) üzerine büyük ölçüde güvendiği söyleniyor. RC, yinelemeli nöral ağları (RNN’ler) kontrol etmek için kullanılır ve bir RNN’nin meisten bağlantılarını sabit tutar ve sadece birkaç parametreyi değiştirir. Bu, diğer makine öğrenimi yaklaşımlarından farklıdır, bunlar genellikle bir nöral ağdaki tüm nöral bağlantılarını hafifçe değiştirir ve sonuç olarak sistem daha hızlı eğitilebilir hale gelir.

Araştırmacılar, bir kaotik RNN’ye RC ilkelerini uyguladığında istenen sonucu elde ettiler ve bu, spontan davranış kalıplarını gösterdi. Ağın eğitimi hızlı bir şekilde ve çalıştırma öncesi gerçekleşir.

“Hayvan beyinleri faaliyetlerinde yüksek boyutlu kaos üretir, ancak kaosun nasıl ve neden kullanıldığı açıklanmamıştır. Önerdiğimiz model, beynimizdeki bilgi işlemede kaosun nasıl katkıda bulunabileceğine ilişkin bir fikir sunabilir” dedi üniversitenin yardımcı doçenti Kohei Nakajima. “Ayrıca, tarifimizin daha geniş bir etkiye sahip olabileceğini düşünüyoruz, çünkü diğer kaotik sistemlere de uygulanabilir. Örneğin, biyolojik nöronlardan esinlenen gelecek nesil nöromorfik cihazlar, yüksek boyutlu kaos sergileyebilir ve tarifimizi uygulamak için mükemmel adaylar olabilir. Yapay zeka işlevlerinin yapay uygulamalarını yakın zamanda göreceğimize inanıyorum.”

Bu gelişme, robotik ve yapay zeka (AI) alanları için önemli bir adımdır, çünkü araştırmacılar bu zorluğu uzun süredir ele almaya çalışıyorlar. Bu, bu alanların hızlı bir tempoda ilerlediğinin en son örneğidir.