Các nhà nghiên cứu đưa ra hành vi tự phát cho Trí tuệ nhân tạo Robot

Các nhà nghiên cứu và nhà robot học liên tục cố gắng đạt được các chức năng tự động trong robot và họ thường tìm kiếm sự启発 từ não động vật như một điểm khởi đầu cho các cơ chế điều khiển. Vì tính chất cụ thể của nhiệm vụ của hành vi robot, do sự phụ thuộc vào các mô-đun và phương pháp điều khiển được định nghĩa trước, chúng thường bị hạn chế về tính linh hoạt.

Phát triển mới nhất trong lĩnh vực này đến từ Đại học Tokyo, nơi các nhà nghiên cứu đã tạo ra một phương pháp học máy thay thế để đưa ra hành vi tự phát cho trí tuệ nhân tạo robot. Đội ngũ này đã thực hiện việc này bằng cách dựa vào các mẫu thời gian phức tạp, chẳng hạn như hoạt động của não động vật.

Nghiên cứu này được công bố trên Science Advances, với tiêu đề “Thiết kế chuyển đổi hành vi tự phát thông qua sự hỗn loạn.”

Hỗn loạn nhiều chiều

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

Vì sự phức tạp và nhạy cảm với các điều kiện ban đầu khác nhau, hỗn loạn nhiều chiều đặc biệt khó kiểm soát. Để thúc đẩy lĩnh vực này và vượt qua chướng ngại vật 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 các cách mới để sử dụng hỗn loạn nhiều chiều để cung cấp cho robot các chức năng nhận thức tương tự như con người.

Katsuma Inoue là một nghiên cứu sinh đang làm việc trên nghiên cứu này.

“Có một khía cạnh của hỗn loạn nhiều chiều gọi là sự hỗn loạn lặp lại (CI) có thể giải thích hoạt động của não trong quá trình nhớ lại và liên kết,” Inoue nói. “Trong lĩnh vực robot, CI đã trở thành một công cụ quan trọng để thực hiện các mẫu hành vi tự phát. Trong nghiên cứu này, chúng tôi đề xuất một công thức để thực hiện CI một cách đơn giản và hệ thống chỉ bằng cách sử dụng các mẫu thời gian phức tạp được tạo ra bởi hỗn loạn nhiều chiều. Chúng tôi cảm thấy rằng cách tiếp cận của chúng tôi có tiềm năng cho các ứng dụng mạnh mẽ và linh hoạt hơn khi nói đến việc thiết kế các kiến trúc nhận thức. Nó cho phép chúng tôi thiết kế các hành vi tự phát mà không cần có các cấu trúc rõ ràng trong bộ điều khiển, điều mà nếu không sẽ trở thành một chướng ngại vật.”

Reservoir Computing (RC) là gì

Đội ngũ này phụ thuộc nhiều vào kỹ thuật học máy gọi là Reservoir Computing (RC), liên quan đến lý thuyết hệ thống động. RC được sử dụng để kiểm soát các mạng nơ-ron hồi quy (RNN), và nó giữ hầu hết các kết nối của RNN cố định trong khi chỉ thay đổi một số tham số. Điều này khác với các phương pháp học máy khác, thường thay đổi nhẹ tất cả các kết nối nơ-ron trong mạng nơ-ron, và kết quả là 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 của RC vào một RNN hỗn loạn, và nó đã chứng minh các mẫu hành vi tự phát. Việc đào tạo mạng diễn ra nhanh chóng và trước khi thực hiện.

“Não động vật tạo ra hỗn loạn nhiều chiều trong hoạt động của chúng, nhưng cách và lý do chúng sử dụng hỗn loạn vẫn chưa được giải thích. Mô hình đề xuất của chúng tôi có thể cung cấp cái nhìn sâu sắc về cách hỗn loạn đóng góp vào quá trình xử lý thông tin trong não của chúng,” Kohei Nakajima, một giáo sư liên kết tại trường đại học, cho biết. “Ngoài ra, công thức của chúng tôi sẽ có tác động rộng lớn hơn ngoài lĩnh vực khoa học thần kinh vì nó có thể được áp dụng cho các hệ thống hỗn loạn khác. Ví dụ, các thiết bị mô phỏng thần kinh thế hệ tiếp theo lấy cảm hứng từ nơ-ron sinh học có thể thể hiện hỗn loạn nhiều chiều và sẽ là những ứng cử viên lý tưởng để thực hiện công thức của chúng tôi. Tôi hy vọng chúng ta sẽ thấy các thực hiện nhân tạo của các chức năng não trước lâu.

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