混沌迭代：机器人AI学会自发

这些系统输出的可视化显示了不稳定的广泛模式，但是却显示了局部的稳定模式。

研究人员使用动力学系统和机器学习来增加AI的自发性。

强烈要求机器人具有自主功能，例如自发性。自主机器人的许多控制机制都受到包括人类在内的动物功能的启发。机器人专家通常使用预定义的模块和控制方法来设计机器人行为，这使其成为特定于任务的对象，从而限制了它们的灵活性。研究人员提供了另一种基于机器学习的方法，该方法通过利用复杂的时间模式（例如动物大脑的神经活动）来设计自发行为。他们希望看到他们的设计在机器人平台上实现，以提高其自主能力。

机器人及其控制软件可以归类为动力系统，一种描述事物内部状态不断变化的数学模型。一类称为高维混沌的动力学系统吸引了许多研究人员，因为它是对动物大脑进行建模的强大方法。但是，由于系统参数的复杂性及其对变化的初始条件的敏感性，通常很难获得对高维混沌的控制，这种现象被术语“蝴蝶效应”所普及。东京大学智能系统与信息学实验室和下一代人工智能研究中心的研究人员探索了利用高维混沌动力学实现类人认知功能的新颖方法。

博士生井上胜（Kasuma Inoue）说：“有一个高维混沌方面，称为混沌迭代（CI），它可以解释记忆记忆和联想过程中的大脑活动。”“在机器人技术领域，CI已成为实现自发行为模式的关键工具。在这项研究中，我们提出了一种仅通过使用高维混沌生成的复杂时间序列模式，以简单而系统的方式实施CI的方法。我们认为，在设计认知体系结构时，我们的方法有潜力用于更健壮和通用的应用程序。它使我们能够在控制器中没有任何预定义显式结构的情况下设计自发行为，否则将成为障碍。”

储层计算（RC）是一种基于动态系统理论的机器学习技术，并为团队的方法提供了基础。RC用于控制一种称为递归神经网络（RNN）的神经网络。与其他用于调整神经网络中所有神经连接的机器学习方法不同，RC仅调整一些参数，同时使RNN的所有其他连接保持固定，从而可以更快地训练系统。当研究人员将RC原理应用于混乱的RNN时，它表现出了他们所希望的自发行为模式。一段时间以来，在机器人技术和人工智能领域，这已被证明是一项具有挑战性的任务。此外，对网络的培训是在执行之前并且在很短的时间内进行的。

“动物的大脑在其活动中会产生高维度的混乱，但是如何以及为什么利用混乱仍然无法解释。我们提出的模型可以提供洞见，了解混沌如何促进大脑中的信息处理。”中岛耕平副教授说。“此外，我们的食谱将在神经科学领域之外产生更广泛的影响，因为它也有可能被应用于其他混沌系统。例如，受生物神经元启发的下一代神经形态设备可能会出现高维混沌，并且是实施我们的配方的极佳候选者。我希望我们能在不久以后看到大脑功能的人工实现。”

参考：井上克央，中岛晃平和靖邦康男设计的“通过混沌迭代来设计自发行为切换”，2020年11月11日，科学进展。DOI：
10.1126 / sciadv.abb3989

资金：这项工作基于从新能源和工业技术开发组织（NEDO）委托的项目中获得的结果。I由JSPS KAKENHI（授权号JP20J12815）支持。肯尼迪由JSPS KAKENHI（授权号JP18H05472）和MEXT Quantum Leap旗舰计划（MEXT Q-LEAP）（授权号JPMXS0120319794）支持。这项工作得到NEDO [序列号15101156-0（日期为2016年6月24日）和18101806-0（日期为2018年9月5日）]和前沿AI教育主席，信息科学与技术学院和下一代AI研究中心的支持[序列号]编号不适用（日期为2016年6月1日）]。