Các nhà nghiên cứu đưa ra hành vi tự phát cho robot AI

Các nhà nghiên cứu và nhà chế tạo rô-bốt đang liên tục cố gắng đạt được các chức năng tự trị trong rô-bốt và họ thường coi bộ não động vật là nguồn cảm hứng cho các cơ chế điều khiển. Do tính chất nhiệm vụ cụ thể của hành vi robot, do phụ thuộc vào các mô-đun và phương pháp điều khiển được xác định trước, chúng thường bị hạn chế về tính linh hoạt.

Sự phát triển mới nhất trong lĩnh vực này là của Đại học Tokyo, nơi các nhà nghiên cứu đã tạo ra một phương pháp dựa trên máy học thay thế để cung cấp cho robot AI các hành vi tự phát. Nhóm nghiên cứu đã làm điều này bằng cách dựa vào các mô hình thời gian phức tạp, chẳng hạn như hoạt động thần kinh của não động vật.

Nghiên cứu được công bố trong Những tiến bộ khoa học, có tiêu đềThiết kế chuyển đổi hành vi tự phát thông qua hành trình hỗn loạn". 

Hỗn loạn chiều cao

Một hệ động lực là một mô hình toán học về các trạng thái bên trong luôn thay đổi của một thứ gì đó, mô tả các robot và phần mềm điều khiển của chúng. Các nhà nghiên cứu đặc biệt tập trung vào sự hỗn loạn nhiều chiều, một loại hệ thống động lực, do khả năng ấn tượng của nó trong việc mô hình hóa bộ não động vật. 

Do sự phức tạp và nhạy cảm với các điều kiện ban đầu khác nhau, hỗn loạn chiều cao đặc biệt khó kiểm soát. Để thúc đẩy lĩnh vực này và xóa bỏ rào cản này, các nhà nghiên cứu từ Phòng thí nghiệm Hệ thống Thông minh và Tin học, và Trung tâm Nghiên cứu Trí tuệ Nhân tạo Thế hệ Tiếp theo tại Đại học Tokyo, đã phát triển những cách mới để sử dụng sự hỗn loạn nhiều chiều nhằm cung cấp cho rô-bốt các chức năng nhận thức tương tự như con người. 

Katsuma Inoue là nghiên cứu sinh tiến sĩ đang thực hiện nghiên cứu. 

Inoue cho biết: “Có một khía cạnh của hỗn loạn chiều cao được gọi là hành trình hỗn loạn (CI) có thể giải thích hoạt động của não trong quá trình thu hồi và liên kết trí nhớ. “Trong lĩnh vực robot, CI là công cụ chính để thực hiện các mẫu hành vi tự phát. Trong nghiên cứu này, chúng tôi đề xuất một công thức để triển khai CI theo cách đơn giản và có hệ thống chỉ bằng cách sử dụng các mẫu chuỗi thời gian phức tạp được tạo ra bởi sự hỗn loạn nhiều chiều. Chúng tôi cảm thấy cách tiếp cận của mình có tiềm năng cho các ứng dụng mạnh mẽ và linh hoạt hơn khi thiết kế kiến ​​trúc nhận thức. Nó cho phép chúng tôi thiết kế các hành vi tự phát mà không có bất kỳ cấu trúc rõ ràng được xác định trước nào trong bộ điều khiển, điều này sẽ đóng vai trò là trở ngại.”

Máy tính hồ chứa (RC) là gì 

Nhóm nghiên cứu chủ yếu dựa vào tính toán hồ chứa (RC), một kỹ thuật học máy liên quan đến lý thuyết hệ thống động lực. RC được sử dụng để điều khiển các mạng thần kinh tái phát (RNN) và nó giữ cố định hầu hết các kết nối của RNN trong khi chỉ thay đổi một vài tham số. Điều này khác với các phương pháp học máy khác, thường làm thay đổi một chút tất cả các kết nối thần kinh trong mạng thần kinh và dẫn đến hệ thống có thể được đào tạo nhanh hơn.

Các nhà nghiên cứu đã đạt được kết quả mong muốn khi áp dụng các nguyên tắc RC cho một RNN hỗn loạn và kết quả là nó thể hiện các mẫu hành vi tự phát. Việc đào tạo mạng diễn ra nhanh chóng và trước khi thực hiện. 

“Bộ não động vật mang lại sự hỗn loạn nhiều chiều trong các hoạt động của chúng, nhưng cách thức và lý do tại sao chúng sử dụng sự hỗn loạn vẫn chưa được giải thích. Kohei Nakajima, phó giáo sư tại trường đại học, cho biết mô hình đề xuất của chúng tôi có thể cung cấp cái nhìn sâu sắc về cách thức hỗn loạn góp phần xử lý thông tin trong não của chúng ta. “Ngoài ra, công thức của chúng tôi sẽ có tác động rộng lớn hơn bên ngoài lĩnh vực khoa học thần kinh vì nó cũng có khả năng được áp dụng cho các hệ thống hỗn loạn khác. Ví dụ, các thiết bị thần kinh thế hệ tiếp theo lấy cảm hứng từ tế bào thần kinh sinh học có khả năng thể hiện sự hỗn loạn chiều cao và sẽ là ứng cử viên tuyệt vời để thực hiện công thức của chúng tôi. Tôi hy vọng chúng ta sẽ sớm thấy các chức năng não bộ được triển khai nhân tạo.”

Sự phát triển này có ý nghĩa quan trọng đối với lĩnh vực robot và trí tuệ nhân tạo (AI), vì các nhà nghiên cứu đã giải quyết thách thức này trong một thời gian. Đây là ví dụ gần đây nhất về cách các lĩnh vực này đang phát triển với tốc độ nhanh.