Дослідники наділили робототехнічний ІІ спонтанною поведінкою

Дослідники та робототехніки постійно намагаються досягти автономних функцій у роботах, і часто шукають натхнення в тваринному мозку для контролю механізмів. Через завдання-специфічний характер поведінки роботів, через залежність від попередньо визначених модулів та методологій контролю, вони часто обмежені гнучкістю.

Останнє досягнення в цій галузі надходить з Токійського університету, де дослідники створили альтернативний метод машинного навчання для надання робототехнічному ІІ спонтанної поведінки. Команда зробила це, спираючись на складні тимчасові закономірності, такі як нейронна активність тваринного мозку.

Дослідження було опубліковано в Science Advances, під назвою “Проєктування спонтанного поведінкового перемикання через хаотичну ітеративність.”

Високовимірний хаос

Динамічна система – це математична модель постійно змінюваних внутрішніх станів чогось, що описує роботів та їхнє програмне забезпечення контролю. Дослідники особливо зосереджені на високовимірному хаосі, класі динамічних систем, через його вражаючу здатність моделювати тваринний мозок.

Через складність та чутливість до змінюваних початкових умов, високовимірний хаос особливо складний для контролю. Для просування галузі та подолання цього перепони дослідники з лабораторії інтелектуальних систем та інформатики та Центру дослідження штучного інтелекту нового покоління в Токійському університеті розробили нові методи використання високовимірного хаосу для надання роботам когнітивних функцій, подібних до людських.

Катсума Іноуе – аспірант, який працює над цим дослідженням.

“Є аспект високовимірного хаосу, званий хаотичною ітеративністю (ХІ), який може пояснити мозкову активність під час відтворення пам’яті та асоціації,” сказав Іноуе. “У робототехніці ХІ був ключовим інструментом для реалізації спонтанних поведінкових закономірностей. У цьому дослідженні ми пропонуємо рецепту для реалізації ХІ простим та систематичним способом лише за допомогою складних часових закономірностей, згенерованих високовимірним хаосом. Ми відчуваємо, що наш підхід має потенціал для більш надійних та універсальних застосувань щодо проєктування когнітивних архітектур. Це дозволяє нам проєктувати спонтанну поведінку без будь-яких попередньо визначених явних структур у контролері, які інакше послужили б перепоною.”

Що таке обчислення резервуара (ОР)

Команда сильно спирається на обчислення резервуара (ОР), техніку машинного навчання, що涉лює теорію динамічних систем. ОР використовується для контролю рекурентних нейронних мереж (РНМ), і вона тримає більшість з’єднань РНМ незмінними, змінюючи лише кілька параметрів. Це відрізняється від інших підходів машинного навчання, які часто трохи змінюють усі нейронні з’єднання в нейронній мережі, і це призводить до того, що система може бути навчена швидше.

Дослідники досягли бажаного результату, застосувавши принципи ОР до хаотичної РНМ, і вона виявила спонтанну поведінкову закономірність. Навчання мережі відбувається швидко та до виконання.

“Тваринні мозки демонструють високовимірний хаос у своїй діяльності, але як і чому вони використовують хаос, залишається незрозумілим. Наша запропонована модель могла б надати уявлення про те, як хаос сприяє обробці інформації в наших мозках,” сказав Кохей Накадзіма, доцент університету. “Крім того, наш рецепт мав би ширший вплив поза межами нейробіології, оскільки його можна потенційно застосовувати до інших хаотичних систем. Наприклад, наступні нейроморфні пристрої нового покоління, натхненні біологічними нейронами, потенційно демонструють високовимірний хаос і були б чудовими кандидатами для реалізації нашого рецепту. Я сподіваюсь, що ми скоро побачимо штучні реалізації функцій мозку.”

Розробка має велике значення для областей робототехніки та штучного інтелекту (ШІ), оскільки дослідники вже деякий час намагаються подолати цю проблему. Це найновіший приклад того, як галузі розвиваються швидкими темпами.