Robot AI Belajar Menjadi Spontan

Visualisasi keluaran sistem ini menunjukkan pola ketidakstabilan yang luas, tetapi pola stabilitas terlokalisasi. Kredit: © 2020 Inoue et al.

Peneliti menggunakan sistem dinamis dan pembelajaran mesin untuk menambahkan spontanitas ke AI.

Fungsi otonom untuk robot, seperti spontanitas, sangat dicari. Banyak mekanisme kontrol robot otonom yang terinspirasi dari fungsi hewan, termasuk manusia. Robotizers sering merancang perilaku robot dengan modul yang telah ditentukan dan metodologi kontrol, yang membuatnya spesifik untuk aktivitas tersebut, sehingga membatasi fleksibilitasnya. Peneliti menawarkan metode alternatif berdasarkan pembelajaran mesin untuk memahami perilaku spontan dengan memanfaatkan pola temporal yang kompleks, seperti aktivitas saraf otak hewan. Mereka berharap konsep mereka diimplementasikan dalam platform robotik untuk meningkatkan kemampuan otonom mereka.

Robot dan perangkat lunak kontrolnya dapat diklasifikasikan sebagai sistem dinamis, model matematika yang menggambarkan keadaan internal yang selalu berubah dari sesuatu. Ada kelas sistem dinamis yang disebut kekacauan berdimensi tinggi, yang telah menarik banyak peneliti karena ini adalah cara yang ampuh untuk membuat model otak hewan. Namun, umumnya sulit untuk mencapai kontrol chaos berdimensi tinggi karena kompleksitas parameter sistem dan kepekaannya terhadap berbagai kondisi awal, sebuah fenomena yang dipopulerkan dengan istilah “efek kupu-kupu”. Para peneliti dari Laboratory of Intelligent and Computer Systems dan Next Generation Artificial Intelligence Research Center di University of Tokyo sedang mengeksplorasi cara baru untuk mengeksploitasi dinamika chaos dimensi tinggi untuk mengimplementasikan fungsi kognitif manusia.

“Ada aspek chaos skala besar yang disebut chaotic trajectory (CI) yang dapat menjelaskan aktivitas otak selama mengingat dan berasosiasi,” kata Katsuma Inoue, mahasiswa doktoral. “Dalam robotika, CI telah menjadi alat kunci untuk mengimplementasikan model perilaku spontan. Dalam studi ini, kami mengusulkan resep untuk implementasi CI secara sederhana dan sistematis dengan hanya menggunakan model deret waktu kompleks yang dihasilkan oleh chaos berdimensi tinggi. Kami merasa bahwa pendekatan kami memiliki potensi untuk aplikasi yang lebih kuat dan serbaguna dalam hal merancang arsitektur kognitif. Ini memungkinkan kita untuk memahami perilaku spontan tanpa struktur eksplisit eksplisit apa pun di pengontrol, yang jika tidak akan berfungsi sebagai penghalang. “

Reservoir Computing (RC) adalah teknik pembelajaran mesin yang didasarkan pada teori sistem dinamis dan memberikan dasar untuk pendekatan tim. RC digunakan untuk mengontrol jenis jaringan saraf yang disebut jaringan saraf berulang (RNN). Tidak seperti pendekatan pembelajaran mesin lain yang menyesuaikan semua koneksi neural ke dalam jaringan neural, RC hanya memperbaiki beberapa parameter sambil mempertahankan semua koneksi lain dari RNN tetap, memungkinkannya untuk membentuk sistem lebih cepat. Ketika para peneliti menerapkan prinsip RC ke RNN yang kacau, mereka mempresentasikan jenis pola perilaku spontan yang mereka harapkan. Untuk beberapa waktu sekarang, ini telah membuktikan tugas yang menantang di bidang robotika dan kecerdasan buatan. Selain itu, pelatihan untuk jaringan dilakukan sebelum eksekusi dan dalam waktu singkat.

“Otak hewan menghasilkan kekacauan skala besar dalam aktivitasnya, tetapi bagaimana dan mengapa mereka menggunakan chaos tetap tidak dapat dijelaskan. Model yang kami usulkan dapat menawarkan wawasan tentang bagaimana chaos berkontribusi pada pemrosesan informasi di otak kita. , ”Kata Associate Professor Kohei Nakajima. “Selanjutnya, resep kami akan memiliki dampak yang lebih luas di luar bidang ilmu saraf karena dapat diterapkan pada sistem chaos lainnya juga. Misalnya, perangkat neuromorfik generasi mendatang yang terinspirasi oleh neuron biologis berpotensi menghadirkan kekacauan berdimensi tinggi dan mereka akan menjadi kandidat yang sangat baik untuk penerapan resep kita. Saya berharap kita melihat implementasi buatan dari fungsi otak lebih cepat daripada nanti. “

Referensi: “Conception of behavioral sports displacement via chaotic itinerancy” oleh Katsuma Inoue, Kohei Nakajima dan Yasuo Kuniyoshi, 11 November 2020, Ilmu Pengetahuan Lanjut.
DOI: 10.1126 / sciadv.abb3989

Pendanaan:

Pekerjaan ini didasarkan pada hasil yang diperoleh dari proyek yang ditugaskan oleh Organisasi Pengembangan Teknologi Industri dan Energi Baru (NEDO). KI didukung oleh JSPS KAKENHI (nomor konsesi JP20J12815). KN didukung oleh JSPS KAKENHI (nomor hibah JP18H05472) dan oleh MEXT Quantum Leap Flagship Program (MEXT Q-LEAP) (nomor hibah JPMXS0120319794). Pekerjaan ini didukung oleh NEDO [serial numbers 15101156-0 (dated 24 June 2016) and 18101806-0 (dated 5 September 2018)] dan Ketua untuk Frontier AI Education, School of Information Science and Technology dan Next Generation AI Research Center [serial number not applicable (dated 1 June 2016)].

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Skrining sinar-X mengidentifikasi obat yang menjanjikan untuk pengobatan COVID-19

Sebuah tim peneliti, termasuk ilmuwan MPSD, telah mengidentifikasi beberapa kandidat untuk melawan obat tersebut SARS-CoV-2 coronavirus menggunakan sumber cahaya sinar-X PETRA III di German...

Teori konspirasi memengaruhi perilaku kita – bahkan jika kita tidak mempercayainya!

Paling tidak karena COVID-19 pandemi, teori konspirasi lebih relevan dari sebelumnya. Mereka diberitakan dan didiskusikan di hampir semua media dan komunikasi. Tapi...

“Doodle Ringan” Nyata dalam Waktu Nyata

Para peneliti di Tokyo Metropolitan University telah merancang dan menerapkan algoritme yang disederhanakan untuk mengubah garis yang digambar secara bebas menjadi hologram pada CPU...

Teleskop Webb NASA menyertakan tabir surya seukuran lapangan tenis untuk perjalanan jutaan kilometer

Kedua wajah tabir surya James Webb Space Telescope dinaikkan secara vertikal untuk mempersiapkan pelipatan lapisan tabir surya. Kredit: NASA / Chris Gunn Insinyur bekerja...

Mineralogi Hangat Global Mengelola Pusat Perlindungan Kehidupan Batin

Tim lapangan DeMMO dari kiri ke kanan: Lily Momper, Brittany Kruger, dan Caitlin Casar mengambil sampel air yang meledak dari toilet DeMMO. Pendanaan:...

Newsletter

Subscribe to stay updated.