La inteligencia artificial robótica aprende a ser espontánea

Las funciones autónomas de los robots, como la espontaneidad, están muy buscadas. Muchos mecanismos de control de los robots autónomos se inspiran en las funciones de los animales, incluidos los humanos. Los robotistas a menudo diseñan comportamientos de robots usando módulos predefinidos y metodologías de control, lo que los hace específicos para cada tarea, limitando su flexibilidad. Unos investigadores ofrecen un método alternativo basado en el aprendizaje automático para diseñar comportamientos espontáneos aprovechando patrones temporales complejos, como las actividades neuronales de los cerebros de los animales. Esperan ver su diseño implementado en plataformas robóticas para mejorar sus capacidades autónomas.

Los robots y su software de control pueden clasificarse como un sistema dinámico, un modelo matemático que describe los siempre cambiantes estados internos de algo. Hay una clase de sistema dinámico llamado caos de alta dimensión, que ha atraído a muchos investigadores ya que es una forma poderosa de modelar cerebros animales. Sin embargo, por lo general es difícil controlar el caos de altas dimensiones debido a la complejidad de los parámetros del sistema y su sensibilidad a las condiciones iniciales variables, fenómeno que se ha popularizado con el término "efecto mariposa". Los investigadores del Laboratorio de Sistemas Inteligentes e Informática y del Centro de Investigación de la Próxima Generación de Inteligencia Artificial de la Universidad de Tokio exploran formas novedosas de explotar la dinámica del caos de altas dimensiones para implementar funciones cognitivas similares a las del ser humano.

"Hay un aspecto del caos de alta dimensión llamado itinerancia caótica (CI) que puede explicar la actividad cerebral durante el recuerdo y la asociación de la memoria", dijo Katsuma Inoue, estudiante de doctorado. "En robótica, la CI ha sido una herramienta clave para implementar patrones de comportamiento espontáneos. En este estudio, proponemos una receta para implementar la CI de una manera simple y sistemática, usando solo patrones complicados de series temporales generados por el caos de altas dimensiones. Sentimos que nuestro enfoque tiene potencial para aplicaciones más robustas y versátiles cuando se trata de diseñar arquitecturas cognitivas. Nos permite diseñar comportamientos espontáneos sin estructuras explícitas predefinidas en el controlador, que de otra manera servirían como un obstáculo".

Estas visualizaciones de la producción del sistema muestran amplios patrones de inestabilidad, pero patrones localizados de estabilidad. (Foto: © 2020 Inoue et al.)

La computación RC (Reservoir Computing) es una técnica de aprendizaje automático que se basa en la teoría de sistemas dinámicos y proporciona la base del método del equipo. La RC se utiliza para controlar un tipo de red neuronal llamada red neuronal recurrente (RNN). A diferencia de otros métodos de aprendizaje automático que ajustan todas las conexiones neuronales dentro de una red neuronal, la RC solo ajusta algunos parámetros mientras mantiene fijas todas las demás conexiones de una RNN, lo que permite entrenar el sistema más rápidamente. Cuando los investigadores aplicaron los principios de la RC a una RNN caótica, exhibió el tipo de patrones de comportamiento espontáneo que esperaban. Durante algún tiempo, esto ha demostrado ser una tarea desafiante en el campo de la robótica y la inteligencia artificial. Además, el entrenamiento de la red se lleva a cabo antes de la ejecución y en un corto período de tiempo.

"Los cerebros de los animales producen un caos de alta dimensión en sus actividades, pero cómo y por qué utilizan el caos sigue siendo inexplicable. Nuestro modelo propuesto podría ofrecer una visión de cómo el caos contribuye al procesamiento de la información en nuestros cerebros", dijo el Profesor Asociado Kohei Nakajima. "Además, nuestra receta tendría un impacto más amplio fuera del campo de la neurociencia, ya que también puede aplicarse potencialmente a otros sistemas caóticos. Por ejemplo, los dispositivos neuromórficos de nueva generación inspirados en las neuronas biológicas exhiben potencialmente un caos de altas dimensiones y serían excelentes candidatos para implementar nuestro método. Espero que veamos implementaciones artificiales de las funciones cerebrales dentro de poco tiempo". (Fuente: NCYT Amazings)