Cognitive evolution enables de novo design of untethered millimeter-scale robots
Dieses Paper stellt EvoAgent vor, einen Large-Language-Model-Agenten, der kognitive Evolution einsetzt, um komplexe Designbeschränkungen zu überwinden, und erfolgreich einen hochleistungsfähigen, ungebundenen 10-mm-Roboter erschafft, der im Vergleich zu traditionellen genetischen Algorithmus-Baselines eine signifikant verbesserte Schubkraft und operative Robustheit aufweist.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Winzige Maschinen, die sich von selbst bewegen können, ohne an eine Stromquelle gebunden zu sein, versprechen, Orte zu erkunden, die für Menschen zu klein oder zu gefährlich sind. Stellen Sie sich ein Gerät in der Größe eines Reiskorns vor, das durch ein rissiges Rohr krabbeln könnte, um ein Leck zu finden, oder durch einen menschlichen Körper navigieren könnte, um Medizin zu verabreichen. Die Herausforderung besteht jedoch darin, dass auf dieser winzigen Skala jedes Teil der Maschine in einen Raum passen muss, der nicht größer als wenige Millimeter ist. Die Batterie, der Motor und die Beine müssen sich alle diesen engen Raum teilen, und das Ändern eines Teils führt oft dazu, dass ein anderes Teil kaputtgeht. Wenn der Motor etwas größer gebaut wird, um mehr Leistung zu erzeugen, bleibt ihm vielleicht kein Platz mehr für die Batterie, oder er verschiebt das Gleichgewicht der Maschine so, dass sie nicht mehr gehen kann. Das Entwerfen dieser Roboter erfordert meist einen schwierigen Balanceakt, bei dem Ingenieure versuchen, die richtige Kombination von Teilen zu erraten, was oft auf einem Versuch-und-Irrtum-Verfahren beruht, das viel Zeit in Anspruch nehmen und viele Fehlversuche nach sich ziehen kann.
Ein Forschungsteam der Beihang-Universität und anderer Institutionen hat einen neuen Weg entwickelt, um dieses Rätsel zu lösen, indem es eine Art künstliche Intelligenz nutzt, die wie ein Ingenieur denkt. Sie haben ein System namens EvoAgent entwickelt, das als digitaler Designer fungiert, der aus seinen eigenen Fehlern und Erfolgen lernt. Anstatt einfach nur verschiedene Formen zufällig auszuprobieren und zu hoffen, dass eine funktioniert, nutzt dieses System ein großes Sprachmodell, um die Physik hinter dem Design zu verstehen. Noch bevor der Computer eine Simulation durchführt, um zu sehen, ob ein Roboter sich bewegen kann, schlägt EvoAgent ein neues Design vor und erklärt die physikalischen Gründe für seine Entscheidungen. Es zieht in Betracht, warum ein vorheriges Design gescheitert ist, etwa weil ein Draht zu dick oder eine Lücke zu klein war, und nutzt dieses Wissen, um eine bessere Version vorzuschlagen. Dieser Prozess erschafft einen „Stammbaum“ von Designs, bei dem die Lehren aus einer Generation an die nächste weitergegeben werden, was es dem System ermöglicht, einen funktionierenden Roboter viel schneller als mit traditionellen Methoden zu entwickeln.
Die Forscher testeten diesen Ansatz, indem sie versuchten, zwei kritische Teile eines Roboters im Millimetermaßstab zu entwerfen: den elektromagnetischen Motor, der die Kraft liefert, und die Beinstruktur, die diese Kraft in Bewegung umwandelt. Sie verglichen ihre neue KI-gesteuerte Methode mit älteren, Standardtechniken, die auf zufälligen Variationen beruhen, ähnlich wie die natürliche Selektion in der Biologie funktioniert. Die Ergebnisse zeigten, dass die KI-Methode weitaus effizienter war. Sie fand ein Motordesign, das mehr als die doppelte Schubkraft des besten durch die älteren Methoden gefundenen Designs erzeugte, während es den gleichen Platz beanspruchte. Als die Forscher den Roboter basierend auf dem KI-Design bauten, erwies er sich als bemerkenswert leistungsfähig. Die fertige Maschine, die nur 10 Millimeter lang ist und gerade einmal ein Gramm wiegt, konnte eine Geschwindigkeit von 6,5 Körperlängen pro Sekunde erreichen. Sie war auch viel zuverlässiger und bewegte sich erfolgreich unter dreißig verschiedenen Kombinationen von elektrischem Strom und Vibrationsfrequenz, während der durch die älteren Methoden entworfene Roboter nur unter zehn Bedingungen funktionierte.
Was diese Errungenschaft bedeutend macht, ist nicht nur die Geschwindigkeit des Roboters, sondern die Art und Weise, wie das Design erreicht wurde. Das KI-System gelang es, das komplexe Geflecht von Einschränkungen zu navigieren, das Designer normalerweise in die Enge treibt. Es lernte, dass bestimmte Änderungen, wie die Erhöhung der Anzahl der Drahtwindungen im Motor, die Leistung steigern, aber auch das Gewicht erhöhen würden, und es fand heraus, wie man diese Kompromisse ausbalanciert, ohne jede einzelne Möglichkeit testen zu müssen. Das System zeichnete seine Erkenntnisse auf und wandelte spezifische Fehler in allgemeine Regeln um, die es auf zukünftige Designs anwenden konnte. Zum Beispiel lernte es, bestimmte Formen zu vermeiden, die dazu führten, dass der Roboter den Kontakt zum Boden verlor. Diese Fähigkeit, aus physikalischem Feedback zu lernen und diese Lektionen auf neue Probleme anzuwenden, deutet auf eine neue Art hin, Maschinen zu bauen. Die Forscher bauten den Roboter, testeten ihn und bestätigten, dass die durch die Computersimulationen vorhergesagte Leistung mit den Ergebnissen aus der realen Welt übereinstimmte. Der Roboter konnte sich nicht nur vorwärts bewegen, sondern auch scharf wenden und eine Last tragen, die mehr als das Fünffache seines eigenen Gewichts betrug.
Diese Arbeit zeigt, dass künstliche Intelligenz mehr leisten kann, als nur Zahlen zu optimieren; sie kann die physische Welt so gut verstehen, dass sie neue Maschinen erfinden kann. Indem sie den Designprozess als einen Dialog behandelte, bei dem der Computer aus seiner eigenen Geschichte lernt, konnten die Forscher einen Roboter erschaffen, der mit einer großen Sicherheits- und Leistungsreserve arbeitet. Die Fähigkeit des Roboters, über einen breiten Bereich von Bedingungen hinweg zu funktionieren, bedeutet, dass er mit größerer Wahrscheinlichkeit in den unvorhersehbaren Umgebungen Erfolg haben wird, in denen solche Maschinen benötigt werden. Obwohl sich die Studie auf einen bestimmten Typ von Roboter konzentrierte, könnte die zur Konstruktion dieses Roboters verwendete Methode auf andere komplexe Systeme angewendet werden, bei denen Teile auf engstem Raum zusammenarbeiten müssen. Der Erfolg dieses Projekts legt nahe, dass die Zukunft der Robotik nicht nur darin bestehen könnte, kleinere Maschinen zu bauen, sondern Computer zu lehren, wie die Ingenieure zu denken, die sie bauen – indem sie aus jedem Schritt des Prozesses lernen, um Designs zu kreieren, die sowohl innovativ als auch praktisch sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.