Teknologi prototipe menyusut AI untuk menghadirkan fungsionalitas seperti otak dalam satu perangkat yang kuat - ScienceDaily
Offbeat

Robot AI belajar menjadi spontan – ScienceDaily


Fungsi otonom untuk robot, seperti spontanitas, sangat dicari. Banyak mekanisme kontrol robot otonom yang terinspirasi dari fungsi hewan, termasuk manusia. Ahli robot sering merancang perilaku robot menggunakan modul dan metodologi kontrol yang telah ditentukan sebelumnya, yang membuatnya menjadi tugas khusus, sehingga membatasi fleksibilitasnya. Peneliti menawarkan metode alternatif berbasis pembelajaran mesin untuk merancang perilaku spontan dengan memanfaatkan pola temporal yang kompleks, seperti aktivitas saraf otak hewan. Mereka berharap desain 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 mendapatkan kendali atas kekacauan berdimensi tinggi karena kompleksitas parameter sistem dan kepekaannya terhadap berbagai kondisi awal, sebuah fenomena yang dipopulerkan dengan istilah “efek kupu-kupu”. Para peneliti dari Laboratorium Sistem dan Informatika Cerdas dan Pusat Penelitian Kecerdasan Buatan Generasi Berikutnya di Universitas Tokyo mengeksplorasi cara-cara baru untuk mengeksploitasi dinamika kekacauan dimensi tinggi untuk menerapkan fungsi kognitif yang mirip manusia.

“Ada aspek chaos berdimensi tinggi yang disebut chaotic itinerancy (CI) yang dapat menjelaskan aktivitas otak selama ingatan dan asosiasi,” kata mahasiswa doktoral Katsuma Inoue. “Dalam robotika, CI telah menjadi alat kunci untuk mengimplementasikan pola perilaku spontan. Dalam studi ini, kami mengusulkan resep untuk mengimplementasikan CI secara sederhana dan sistematis hanya dengan menggunakan pola deret waktu rumit yang dihasilkan oleh kekacauan dimensi tinggi. Kami merasakannya. Pendekatan memiliki potensi untuk aplikasi yang lebih kuat dan serbaguna saat merancang arsitektur kognitif. Pendekatan ini memungkinkan kita untuk merancang perilaku spontan tanpa struktur eksplisit yang telah ditentukan sebelumnya dalam pengontrol, yang jika tidak akan berfungsi sebagai penghalang. “

Reservoir computing (RC) adalah teknik pembelajaran mesin yang dibangun di atas teori sistem dinamis dan memberikan dasar 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 dalam jaringan neural, RC hanya mengubah beberapa parameter sambil menjaga semua koneksi lain dari RNN tetap, yang memungkinkan untuk melatih sistem lebih cepat. Ketika para peneliti menerapkan prinsip RC ke RNN yang kacau, itu menunjukkan jenis pola perilaku spontan yang mereka harapkan. Untuk beberapa waktu, ini telah membuktikan tugas yang menantang di bidang robotika dan kecerdasan buatan. Selanjutnya, pelatihan untuk jaringan dilakukan sebelum eksekusi dan dalam waktu singkat.

“Otak hewan menghasilkan kekacauan berdimensi tinggi dalam aktivitas mereka, tetapi bagaimana dan mengapa mereka memanfaatkan kekacauan tetap tidak dapat dijelaskan. Model yang kami usulkan dapat menawarkan wawasan tentang bagaimana kekacauan berkontribusi pada pemrosesan informasi di otak kita,” kata Associate Professor Kohei Nakajima. “Selain itu, resep kami akan memiliki dampak yang lebih luas di luar bidang ilmu saraf karena berpotensi dapat diterapkan pada sistem kacau lainnya juga. Misalnya, perangkat neuromorfik generasi mendatang yang terinspirasi oleh neuron biologis berpotensi menunjukkan kekacauan dimensi tinggi dan akan menjadi kandidat yang sangat baik. untuk menerapkan resep kami. Saya harap kami akan segera melihat implementasi buatan dari fungsi otak. “

Sumber Cerita:

Materi disediakan oleh Universitas Tokyo. Catatan: Konten dapat diedit untuk gaya dan panjangnya.

Dipersembahkan Oleh : Lapak Judi

Baca Juga : Hongkong Prize