Cognitive evolution enables de novo design of untethered millimeter-scale robots
Este artículo presenta a EvoAgent, un agente de modelo de lenguaje de gran tamaño que emplea la evolución cognitiva para superar restricciones de diseño complejas, creando con éxito un robot sin cables de 10 mm de alto rendimiento con un empuje y una robustez operativa significativamente mejorados en comparación con las bases de algoritmos genéticos tradicionales.
Artículo original bajo licencia CC BY 4.0 (https://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
Las máquinas diminutas que pueden moverse por sí mismas sin estar conectadas a una fuente de energía prometen explorar lugares demasiado pequeños o peligrosos para los humanos. Imagine un dispositivo del tamaño de un grano de arroz que pudiera desplazarse a través de una tubería agrietada para encontrar una fuga o navegar dentro del cuerpo humano para administrar medicamentos. El desafío, sin embargo, es que a esta escala diminuta, cada parte de la máquina debe caber en un espacio no mayor a unos pocos milímetros. La batería, el motor y las patas deben compartir este volumen reducido, y cambiar una parte a menudo rompe otra. Si el motor se hace ligeramente más grande para producir más potencia, podría no dejar espacio para la batería, o podría alterar el equilibrio de la máquina para que no pueda caminar. Diseñar estos robots suele requerir un difícil acto de equilibrio donde los ingenieros intentan adivinar la combinación adecuada de partes, recurriendo a menudo al ensayo y error que puede llevar mucho tiempo y muchos intentos fallidos.
Un equipo de investigadores de la Universidad de Beihang y otras instituciones ha desarrollado una nueva forma de resolver este rompecabezas utilizando un tipo de inteligencia artificial que piensa como un ingeniero. Crearon un sistema que llaman EvoAgent, que actúa como un diseñador digital que aprende de sus propios errores y éxitos. En lugar de simplemente probar diferentes formas al azar y esperar que una funcione, este sistema utiliza un modelo de lenguaje de gran tamaño para comprender la física detrás del diseño. Antes de que la computadora siquiera ejecute una simulación para ver si un robot puede moverse, EvoAgent propone un nuevo diseño y explica las razones físicas de sus elecciones. Considera por qué falló un diseño anterior, como que un cable fuera demasiado grueso o un espacio fuera demasiado pequeño, y utiliza ese conocimiento para proponer una versión mejorada. Este proceso crea un "árbol genealógico" de diseños donde las lecciones aprendidas de una generación se transmiten a la siguiente, permitiendo que el sistema evolucione un robot funcional mucho más rápido que los métodos tradicionales.
Los investigadores probaron este enfoque intentando diseñar dos partes críticas de un robot de escala milimétrica: el motor electromagnético que proporciona la potencia y la estructura de la pata que convierte esa potencia en movimiento. Compararon este nuevo método impulsado por IA contra técnicas antiguas y estándar que dependen de variaciones aleatorias, de forma similar a cómo funciona la selección natural en la biología. Los resultados mostraron que el método de IA era mucho más eficiente. Encontró un diseño de motor que producía más del doble de la fuerza de empuje del mejor diseño encontrado por los métodos más antiguos, utilizando la misma cantidad de espacio. Cuando los investigadores construyeron el robot basado en el diseño de la IA, este demostró ser notablemente capaz. La máquina final, que mide solo 10 milímetros de largo y pesa apenas un gramo, podía moverse a una velocidad de 6.5 longitudes corporales por segundo. También fue mucho más fiable, moviéndose con éxito bajo treinta combinaciones diferentes de corriente eléctrica y frecuencia de vibración, mientras que el robot diseñado por el método más antiguo solo funcionaba bajo diez condiciones.
Lo que hace que este logro sea significativo no es solo la velocidad del robot, sino cómo se logró el diseño. El sistema de IA logró navegar por la compleja red de restricciones que suelen atrapar a los diseñadores humanos. Aprendió que ciertos cambios, como aumentar el número de vueltas de cable en el motor, aumentarían la potencia pero también añadirían peso, y descubrió cómo equilibrar estas compensaciones sin necesidad de probar cada una de las posibilidades. El sistema registró sus hallazgos, convirtiendo fallos específicos en reglas generales que podía aplicar a futuros diseños. Por ejemplo, aprendió a evitar ciertas formas que causaban que el robot perdiera contacto con el suelo. Esta capacidad de aprender de la retroalimentación física y aplicar esas lecciones a nuevos problemas sugiere una nueva forma de construir máquinas. Los investigadores construyeron el robot, lo probaron y confirmaron que el rendimiento predicho por las simulaciones por computadora coincidía con los resultados del mundo real. El robot no solo podía avanzar, sino también girar bruscamente y cargar una carga de más de cinco veces su propio peso.
Este trabajo demuestra que la inteligencia artificial puede hacer más que solo optimizar números; puede comprender el mundo físico lo suficiente como para inventar nuevas máquinas. Al tratar el proceso de diseño como una conversación donde la computadora aprende de su propia historia, los investigadores pudieron crear un robot que opera con un amplio margen de seguridad y rendimiento. La capacidad del robot para funcionar a través de un amplio rango de condiciones significa que es más probable que tenga éxito en los entornos impredecibles donde tales máquinas son necesarias. Aunque el estudio se centró en un tipo específico de robot, el método utilizado para diseñarlo podría aplicarse a otros sistemas complejos donde las partes deben trabajar juntas en espacios reducidos. El éxito de este proyecto sugiere que el futuro de la robótica no se trata solo de construir máquinas más pequeñas, sino de enseñar a las computadoras cómo pensar como los ingenieros que las construyen, aprendiendo de cada paso del proceso para crear diseños que sean tanto innovadores como prácticos.
¿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.