Las funciones autónomas de los robots, como la espontaneidad, son muy buscadas. Muchos mecanismos de control de los robots autónomos están inspirados en las funciones de los animales, incluidos los humanos. Los especialistas en robótica a menudo diseñan comportamientos de robots utilizando módulos predefinidos y metodologías de control, lo que los hace específicos en diversas tareas, algo que también limita su flexibilidad.
Sin embargo, ahora, los investigadores ofrecen un método alternativo basado en el aprendizaje automático para diseñar comportamientos espontáneos aprovechando patrones temporales complejos, como las actividades neuronales del cerebro de los animales. Esperan ver su diseño implementado en plataformas robóticas para mejorar sus capacidades autónomas.
Creando Inteligencias Artificiales más espontáneas
Los robots y su software de control se pueden clasificar como un sistema dinámico, un modelo matemático que describe los estados internos en constante cambio. Existe 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, generalmente es difícil controlar el caos de alta dimensión debido a la complejidad de los parámetros del sistema y su sensibilidad a las condiciones iniciales variables, un fenómeno popularizado por el término “efecto mariposa”.
Ante esto, investigadores del Laboratorio de Informática y Sistemas Inteligentes y el Centro de Investigación de Inteligencia Artificial de Próxima Generación de la Universidad de Tokio exploran formas novedosas de explotar la dinámica del caos de alta dimensión para implementar funciones cognitivas similares a las humanas.
“Hay un aspecto del caos de alta dimensión llamado itinerancia caótica (IC) que puede explicar la actividad cerebral durante el recuerdo y la asociación”, dijo el estudiante de doctorado Katsuma Inoue.”
“En robótica, la IC ha sido una herramienta clave para implementar patrones de comportamiento espontáneos. En este estudio, proponemos una receta para implementar la IC de una manera simple y sistemática utilizando únicamente patrones complicados de series de tiempo generados por el caos de alta dimensión. El 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”.
La computación de reservorio (RC) es una técnica de aprendizaje automático que se basa en la teoría de sistemas dinámicos y proporciona la base del enfoque del equipo. RC se utiliza para controlar un tipo de red neuronal llamada red neuronal recurrente (RNN). A diferencia de otros enfoques de aprendizaje automático que sintonizan todas las conexiones neuronales dentro de una red neuronal, RC solo ajusta algunos parámetros mientras mantiene fijas todas las demás conexiones de un RNN, lo que hace posible entrenar el sistema más rápido.
Cuando los investigadores aplicaron los principios de RC a un RNN caótico, exhibió el tipo de patrones de comportamiento espontáneos que esperaban. Durante algún tiempo, esto ha demostrado ser una tarea desafiante en el campo de la robótica y la inteligencia artificial. Además, la formación para la red se lleva a cabo antes de la ejecución y en poco tiempo.
“Los cerebros de los animales producen un caos de alta dimensión en sus actividades, pero no se explica cómo y por qué utilizan el caos. Nuestro modelo propuesto podría ofrecer información sobre 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 potencialmente también se puede aplicar a otros sistemas caóticos. Por ejemplo, los dispositivos neuromórficos de próxima generación inspirados en neuronas biológicas exhiben potencialmente un caos de alta dimensión y serían excelentes candidatos para implementar nuestra receta. Espero que veamos implementaciones artificiales de las funciones cerebrales en poco tiempo”.
