Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
Al mapear exhaustivamente un paisaje de morfología-aptitud de más de 1.3 millones de robots blandos, este estudio revela que, si bien la cooptimización evolutiva de cerebro y cuerpo puede generar ganancias de rendimiento únicas mediante el cambio de objetivos, falla consistentemente en seleccionar el potencial morfológico porque frecuentemente infravalora y elimina cuerpos recién mutados que son prometedores.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina que estás intentando enseñarle a un robot cómo caminar. En el mundo de la robótica, hay un gran debate sobre cuál es la mejor manera de hacerlo. Una escuela de pensamiento dice que primero debes construir el cuerpo del robot —decidir exactamente cuántas patas tiene, qué tan largas son y de qué están hechas— y luego enseñarle a su "cerebro" (el código de la computadora) cómo mover ese cuerpo específico. Otra escuela de pensamiento, llamada cooptimización cerebro-cuerpo, sugiere que debes evolucionar el cuerpo y el cerebro al mismo tiempo. Es como dejar que una criatura crezca, donde su cuerpo cambia de forma y su cerebro aprende a controlar esos cambios simultáneamente, tal como un bebé humano aprende a gatear y caminar a medida que sus músculos y huesos se desarrollan.
La gran pregunta es: ¿el hecho de dejar que el cuerpo y el cerebro cambien juntos funciona realmente mejor, o simplemente crea un desastre? Los científicos han estado tratando de averiguar esto durante décadas porque, si logramos hacerlo bien, podríamos diseñar robots que sean increíblemente adaptables, eficientes y capaces de hacer cosas que ni siquiera podemos imaginar todavía. Pero hay un inconveniente: cuando cambias el cuerpo de un robot, el cerebro que era bueno controlando el cuerpo viejo a menudo se vuelve pésimo controlando el nuevo. Esto hace que sea muy difícil para los programas informáticos determinar qué formas de cuerpo son realmente las mejores, porque la "puntuación" cambia cada vez que el cuerpo cambia.
Este artículo profundiza en este problema tan complejo creando un mapa masivo y detallado de cada forma posible de cuerpo de robot en un mundo específico y pequeño. Los investigadores, Alican Mertan y Nick Cheney, construyeron una simulación con más de 1.3 millones de diseños diferentes de robots blandos. No se limitaron a adivinar cuáles eran buenos; entrenaron un cerebro para cada uno de ellos para ver cuál podría ser el verdadero mejor rendimiento de cada forma de cuerpo. Piensa en ello como un videojuego gigante donde jugaron cada uno de los niveles para encontrar la puntuación perfecta antes de que los jugadores siquiera comenzaran.
Lo que encontraron es un poco sorprendente y un poco frustrante para los robots. Cuando dejaron que sus programas informáticos intentaran evolucionar el mejor robot cambiando tanto el cuerpo como el cerebro al mismo tiempo, los programas a menudo se quedaban estancados. Elegían una forma de cuerpo que parecía aceptable, pero luego, debido a que el cerebro aún no estaba perfectamente entrenado para esa nueva forma, el robot funcionaba mal. El programa informático veía esta baja puntuación y decidía: "¡Esta forma de cuerpo es mala!", y la eliminaba. Pero aquí está el giro: ¡esa forma de cuerpo era en realidad uno de los mejores diseños posibles! Solo necesitaba un poco más de tiempo para que su cerebro aprendiera a usarla. Debido a que los programas eran demasiado rápidos para juzgar, descartaban constantemente los candidatos más prometedores, quedándose estancados en soluciones mediocres que estaban a un pequeño cambio de ser asombrosas.
Los investigadores llaman a esto "coadaptación frágil". Es como intentar juzgar la velocidad de un coche nuevo conduciéndolo con un conductor que nunca ha visto ese modelo específico antes. El coche puede ser un Ferrari, pero si el conductor está confundido, lo conducirá como un sedán lento. Los programas informáticos en este estudio actuaron como jueces impacientes que despidieron al conductor y desecharon el coche en lugar de darle tiempo para aprender.
Sin embargo, el artículo también encontró un rayo de esperanza. A pesar de que los programas tuvieron dificultades para encontrar las formas de cuerpo absolutamente mejores, el proceso de evolucionarlos juntos a veces condujo a soluciones que no podrías obtener si simplemente construyeras un cuerpo primero y luego entrenaras un cerebro. Resulta que, a medida que el cuerpo del robot cambiaba de forma con el tiempo, el cerebro se veía obligado a aprender nuevos trucos en el camino. Este "cambio de objetivos" ayudó al cerebro a escapar de trampas locales y a encontrar formas ingeniosas de moverse que un cuerpo fijo nunca habría descubierto.
Así que, la conclusión principal es que, si bien evolucionar el cuerpo y el cerebro de un robot juntos es una idea poderosa, actualmente es muy difícil hacerlo bien porque los "cerebros" no son buenos juzgando el potencial de los "cuerpos" que aún no han conocido. El estudio sugiere que necesitamos formas más inteligentes de dar a estos robots en evolución más tiempo para aprender antes de decidir si sus cuerpos son buenos o malos. Es un recordatorio de que, en el mundo de la vida artificial, a veces el mejor camino a seguir no es solo encontrar el diseño perfecto, sino darle al diseño el tiempo suficiente para que alcance su potencial.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.