Los investigadores y especialistas en robótica intentan continuamente lograr funciones autónomas en los robots y, a menudo, miran hacia el cerebro animal como un punto de inspiración para los mecanismos de control. Debido a la naturaleza específica de la tarea del comportamiento robótico, debido a la dependencia de módulos predefinidos y metodologías de control, a menudo tienen una flexibilidad limitada.
El desarrollo más reciente en esta área proviene de la Universidad de Tokio, donde los investigadores han creado un método alternativo basado en el aprendizaje automático para dar comportamientos espontáneos a la IA robótica. El equipo hizo esto basándose en patrones temporales intrincados, como las actividades neuronales del cerebro de un animal.
La investigación fue publicada en Science Advances, titulada “Diseño de cambios de comportamiento espontáneos a través de la itinerancia caótica.”
Caos de alta dimensión
Un sistema dinámico es un modelo matemático de los estados internos en constante cambio de algo, que describe a los robots y su software de control. Los investigadores se centran especialmente en el caos de alta dimensión, una clase de sistemas dinámicos, debido a su impresionante capacidad para modelar cerebros de animales.
Debido a la complejidad y la sensibilidad a las condiciones iniciales variables, el caos de alta dimensión es especialmente difícil de controlar. Para avanzar en el campo y superar este obstáculo, los investigadores del Laboratorio de Informática y Sistemas Inteligentes y el Centro de Investigación de Inteligencia Artificial de Próxima Generación de la Universidad de Tokio han desarrollado nuevas formas de utilizar el caos de alta dimensión para proporcionar a los robots funciones cognitivas similares a humanos
Katsuma Inoue es un estudiante de doctorado que trabaja en la investigación.
“Hay un aspecto del caos de alta dimensión llamado itinerancia caótica (IC) que puede explicar la actividad cerebral durante la recuperación y asociación de la memoria”, dijo Inoue. “En robótica, CI ha sido una herramienta clave para implementar patrones de comportamiento espontáneos. En este estudio, proponemos una receta para implementar CI de una manera simple y sistemática utilizando solo patrones complicados de series de tiempo generados por caos de alta dimensión. 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 otro modo servirían como un obstáculo”.
¿Qué es la computación de yacimientos (RC)?
El equipo se basó en gran medida en la computación de reservorios (RC), una técnica de aprendizaje automático que involucra la teoría de sistemas dinámicos. RC se utiliza para controlar las redes neuronales recurrentes (RNN) y mantiene fijas la mayoría de las conexiones de una RNN mientras modifica solo algunos parámetros. Esto es diferente de otros enfoques de aprendizaje automático, que a menudo alteran ligeramente todas las conexiones neuronales en una red neuronal, y da como resultado que el sistema pueda entrenarse más rápido.
Los investigadores lograron el resultado deseado al aplicar los principios de RC a un RNN caótico, y terminaron demostrando patrones de comportamiento espontáneos. El entrenamiento de la red ocurre rápidamente y antes de la ejecución.
“Los cerebros de los animales producen un caos de alta dimensión en sus actividades, pero sigue sin explicarse cómo y por qué utilizan el caos. Nuestro modelo propuesto podría ofrecer una idea de cómo el caos contribuye al procesamiento de la información en nuestros cerebros”, dijo Kohei Nakajima, profesor asociado de la universidad. “Además, nuestra receta tendría un impacto más amplio fuera del campo de la neurociencia, ya que también se puede aplicar potencialmente a otros sistemas caóticos. Por ejemplo, los dispositivos neuromórficos de próxima generación inspirados en neuronas biológicas pueden exhibir un caos de alta dimensión y serían excelentes candidatos para implementar nuestra receta. Espero que veamos implementaciones artificiales de funciones cerebrales en poco tiempo”.
El desarrollo es significativo para los campos de la robótica y la inteligencia artificial (IA), ya que los investigadores han estado abordando este desafío durante un tiempo. Es el ejemplo más reciente de cómo los campos avanzan a gran velocidad.