به کمک هوش مصنوعی ربات‌ها یاد می‌گیرند که خودانگیز باشند!
عملکردهای مستقلانه برای ربات‌ها، مانند عمکلردهای خودبهخودی، بسیار مورد توجه قرار گرفته است. بسیاری از مکانیسم‌های کنترل ربات‌های مستقل از عملکرد حیوانات از جمله انسان الهام گرفته شده‌اند. رفتارهای ربات‌ها معمولا توسط ماژول‌های از پیش تعریف‌شده و روش‌های کنترل طراحی می‌شود. این مسئله مهم سبب می‌شود تا ربات‌ها تنها قادر به انجام دادن کارهای ویژه‌ای باشند و در نتیجه انعطاف‌پذیری محدودی خواهند داشت. پژوهشگران یک روش جایگزین مبتنی بر یادگیری ماشین برای طراحی رفتارهای خودبهخودی با استفاده از الگوهای پیچیده زمانی، مانند فعالیت‌های عصبی مغز حیوانات، ارائه داده‌اند. آن‌ها امیدوارند که بتوانند طراحی خود را در پلتفرم‌های ربات‌ها برای بهبود توانایی‌های اجرای عملکردهایی به صورت مستقلانه پیاده‌سازی نمایند.
استفاده از هوش مصنوعی در رباتیک
ربات‌ها و نرم‌افزارهای کنترلشان را می‌توان به عنوان یک سیستم دینامیکی طبقه‌بندی کرد؛ یک مدل ریاضی که شرایط داخلی چیزی در حال تغییر مداوم را توصیف می‌کند. کلاسی از سیستم دینامیکی با نام “هرج‌ومرج در ابعاد بالا” وجود دارد که نظر بسیاری از پژوهشگران را به خود جلب کرده است. این کلاس راهی قدرتمند برای مدل‌سازی مغز حیوانات است. با این‌حال، به دلیل پیچیدگی پارامترهای سیستم و حساسیت آن به شرایط مختلف اولیه، به دست آوردن کنترل بر هرج و مرج با ابعاد بالا، معمولا دشوار است. شایان ذکر است که این پدیده (هرج و مرج با ابعاد بالا) را با عنوان “اثر پروانه‌ای” می‌شناسند. پژوهشگران آزمایشگاه سیستم‌های هوشمند و انفورماتیک و مرکز تحقیقات نسل بعدی هوش مصنوعی در دانشگاه توکیو ژاپن، روش‌های جدیدی برای بهره‌برداری از پویایی هرج‌ومرج در ابعاد بالا در هوش مصنوعی، به منظور پیاده‌سازی عملکردهای شناختی همچون انسان در ربات‌ها را کشف کردند.
به جنبه‌ای از هرج‌ومرج در ابعاد بالا، تکرار بی‌نظمی (CI) گفته می‌شود که می‌تواند فعالیت مغز را در هنگام یادآوری و تداعی حافظه توضیح دهد. در مبحث ربات‌ها، CI یک ابزاری کلیدی برای پیاده‌سازی الگوهای رفتارهای مستقلانه و خودبهخودی است. در این مطالعه، برای پیاده‌سازی CI به روشی ساده و سیستماتیک تنها از الگوهای پیچیده سری زمانی و مدل هرج‌ومرج با ابعاد بالا استفاده شده است. رویکرد طراحان این روش در هنگام طراحی معماری‌های شناختی، افزایش پتانسیل کاربردی و همه‌کاره است. این مهم، این امکان را به ما می‌دهد تا در طراحی هوش مصنوعی در رباتیک، قادر به مدل‌سازی رفتارهایی کاملا خودبهخودی و بدون هیچ ساختار صریح رفتاری از پیش تعیین‌شده‌ای باشیم.
محاسبات مخزن (RC) یک روش یادگیری ماشین است که بر اساس تئوری سیستم‌های دینامیکی ساخته می‌شود و اساس و چگونگی رویکرد تیم برای طراحی ربات‌هایی دارای هوش‌مصنوعی خودانگیزانه را فراهم می‌کند. RC برای کنترل نوعی شبکه عصبی به نام شبکه عصبی بازگشت کننده (recurrent neural network_RNN) استفاده می‌شود. برخلاف دیگر رویکردهای یادگیری ماشین که تمام اتصالات عصبی، در یک شبکه عصبی را تنظیم می‌کند، RC فقط برخی از پارامترها را اصلاح می‌کند؛ این درحالی‌است که دیگر اتصالات RNN را ثابت نگاه می‌دارد. این مهم، امکان آموزش سریع‌تر هوش مصنوعی رباتیک را فراهم می‌سازد. به کار بردن اصول RC در RNN بی‌نظم، سبب به نمایش درآوردن نوع الگوی رفتاری خودبهخودی می‌شود (همان موردی که پژوهشگران خواهان آن هستند). مدتی است که این کار، به عنوان مسئله‌ای چالش برانگیز در زمینه ربات‌ها و هوش مصنوعی به اثبات رسیده است. علاوه‌براین، آموزش شبکه، قبل از اجرا و در مدت زمان کوتاهی انجام می‌شود.
مغز حیوانات در فعالیت‌های خود هرج‌ومرج با ابعاد بالا را ایجاد می‌کنند، اما چگونگی و دلیل استفاده از هرج‌ومرج بدون توضیح باقی مانده است. پروفسور کوهی ناکاجیما (Professor Kohei Nakajima) چنین اعلام کرد: “مدل پیشنهادی ما در استفاده از هوش مصنوعی در رباتیک می‌تواند بینشی در مورد چگونگی هرج‌ومرج در پردازش اطلاعات در مغزمان را ارایه دهد.”
وی چنین افزود که: ” همچنین، دستور العمل ما تاثیر گسترده‌تری در خارج از حوزه علوم اعصاب خواهد داشت، زیرا به‌طور بالقوه می‌تواند در دیگر سیستم‌های بی‌نظم نیز اعمال شود. به عنوان مثال، دستگاه‌های نورومورفیک نسل بعدی با الهام از نورون‌های بیولوژیکی به طور بالقوه توانایی به نمایش گذارندن هرج‌ومرج با ابعاد بالا را دارند و کاندیداهای عالی برای اجرای دستور‌العمل‌هایی‌اند که خواهان آن هستیم.”
