Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
Durch die erschöpfende Kartierung einer Morphologie-Fitness-Landschaft von über 1,3 Millionen Soft-Robotern zeigt diese Studie auf, dass die evolutionäre Co-Optimierung von Gehirn und Körper zwar durch Zielwechsel einzigartige Leistungssteigerungen erzielen kann, jedoch konsequent daran scheitert, morphologisches Potenzial auszuwählen, da sie viel zu häufig vielversprechende, neu mutierte Körper unterbewertet und eliminiert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Roboter das Gehen beizubringen. In der Welt der Robotik gibt es eine große Debatte darüber, wie man dies am besten macht. Eine Denkschule sagt, man sollte zuerst den Körper des Roboters bauen – festlegen, wie viele Beine er hat, wie lang sie sind und woraus sie bestehen – und dann das „Gehirn“ (den Computercode) lehren, wie sich genau dieser spezifische Körper bewegt. Eine andere Denkschule, die Brain-Body Co-Optimization (Gehirn-Körper-Kooptimierung) genannt wird, schlägt vor, den Körper und das Gehirn gleichzeitig zu entwickeln. Es ist so, als ließe man ein Lebewesen aufwachsen, bei dem sich der Körper in seiner Form verändert und das Gehirn gleichzeitig lernt, diese Veränderungen zu steuern, genau wie ein menschliches Baby lernt zu krabbeln und zu gehen, während sich seine Muskeln und Knochen entwickeln.
Die große Frage ist: Funktioniert es wirklich besser, wenn sich Körper und Gehirn gemeinsam verändern, oder führt das nur zu einem Chaos? Wissenschaftler versuchen schon seit Jahrzehnten herauszufinden, ob das so ist, denn wenn wir es richtig hinbekommen, könnten wir Roboter entwerfen, die unglaublich anpassungsfähig, effizient und fähig sind, Dinge zu tun, die wir uns noch gar nicht vorstellen können. Aber es gibt einen Haken: Wenn man den Körper eines Roboters verändert, wird das Gehirn, das gut darin war, den alten Körper zu steuern, oft schlecht darin, den neuen zu steuern. Das macht es für Computerprogramme sehr schwierig herauszufinden, welche Körperformen tatsächlich die besten sind, weil sich die „Punktzahl“ jedes Mal ändert, wenn der Körper verändert wird.
Diese Arbeit taucht tief in dieses chaotische Problem ein, indem sie eine massive, detaillierte Karte von jeder möglichen Roboter-Körperform in einer spezifischen, kleinen Welt erstellt. Die Forscher, Alican Mertan und Nick Cheney, bauten eine Simulation mit über 1,3 Millionen verschiedenen Soft-Robot-Designs. Sie haben nicht einfach nur geraten, welche gut sind; sie haben für jeden einzelnen davon ein Gehirn trainiert, um zu sehen, was die wahre Bestleistung jeder einzelnen Körperform sein könnte. Denken Sie an ein riesiges Videospiel, bei dem sie jedes einzelne Level gespielt haben, um die perfekte Punktzahl zu finden, noch bevor die Spieler überhaupt angefangen haben.
Was sie fanden, war etwas überraschend und ein wenig frustrierend für die Roboter. Als sie ihre Computerprogramme versuchten, den besten Roboter zu entwickeln, indem sie sowohl den Körper als auch das Gehirn gleichzeitig veränderten, blieben die Programme oft stecken. Sie wählten eine Körperform, die zwar okay aussah, aber weil das Gehirn noch nicht perfekt auf diese neue Form trainiert war, schnitt der Roboter schlecht ab. Das Computerprogramm sah diese niedrige Punktzahl und entschied: „Diese Körperform ist schlecht!“ und löschte sie. Aber hier liegt der Clou: Diese Körperform war eigentlich eines der besten Designs! Sie brauchte nur etwas mehr Zeit, damit ihr Gehirn lernte, sie zu benutzen. Weil die Computerprogramme zu schnell urteilten, warfen sie die vielversprechendsten Kandidaten weg und blieben bei mittelmäßigen Lösungen stecken, die nur eine winzige Änderung davon entfernt waren, großartig zu sein.
Die Forscher nennen dies „fragile Ko-Adaption“ (fragile Co-Adaptation). Es ist, als würde man versuchen, die Geschwindigkeit eines neuen Autos zu beurteilen, indem man es mit einem Fahrer fährt, der dieses spezifische Modell noch nie gesehen hat. Das Auto mag ein Ferrari sein, aber wenn der Fahrer verwirrt ist, wird er wie eine langsame Limousine fahren. Die Computerprogramme in der Studie handelten wie ungeduldige Richter, die den Fahrer entließen und das Auto verschrotteten, anstatt dem Fahrer Zeit zum Lernen zu geben.
Die Arbeit fand jedoch auch einen Lichtblick. Selbst wenn die Programme Schwierigkeiten hatten, die absolut besten Körperformen zu finden, führte der Prozess, sie gemeinsam zu entwickeln, manchmal zu Lösungen, die man nicht erreichen konnte, wenn man erst einen Körper gebaut und dann ein Gehirn trainiert hätte. Es stellte sich heraus, dass das Gehirn gezwungen war, neue Tricks zu lernen, während sich der Körper des Roboters im Laufe der Zeit veränderte. Dieses „Zielwechseln“ half dem Gehirn, aus lokalen Fallen auszubrechen und clevere Bewegungsweisen zu entdecken, die ein fester Körper niemals entdeckt hätte.
Der wichtigste Punkt ist also: Während die gleichzeitige Entwicklung eines Roboter-Körpers und -Gehirns eine mächtige Idee ist, ist es derzeit sehr schwer, dies gut zu machen, weil die „Gehirne“ nicht gut darin sind, das Potenzial von „Körpern“ zu beurteilen, die sie noch gar nicht getroffen haben. Die Studie legt nahe, dass wir intelligentere Wege brauchen, um diesen sich entwickelnden Robotern mehr Zeit zum Lernen zu geben, bevor wir entscheiden, ob ihre Körper gut oder schlecht sind. Es ist eine Erinnerung daran, dass der beste Weg vorwärts in der Welt des künstlichen Lebens manchmal nicht nur darin besteht, das perfekte Design zu finden, sondern dem Design genug Zeit zu geben, um sein Potenzial zu entfalten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.