Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
En cartographiant de manière exhaustive un paysage morphologie-aptitude de plus de 1,3 million de robots mous, cette étude révèle que, bien que la co-optimisation évolutive cerveau-corps puisse engendrer des gains de performance uniques grâce au changement d'objectif, elle échoue systématiquement à sélectionner le potentiel morphologique car elle sous-évalue et élimine fréquemment des corps nouvellement mutés pourtant prometteurs.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez d'apprendre à un robot comment marcher. Dans le monde de la robotique, il existe un grand débat sur la meilleure façon de s'y prendre. Une école de pensée dit qu'il faut d'abord construire le corps du robot — décider exactement combien il a de pattes, quelle est leur longueur et de quoi elles sont faites — puis apprendre à son « cerveau » (le code informatique) comment bouger ce corps spécifique. Une autre école de pensée, appelée co-optimisation cerveau-corps, suggère qu'il faut faire évoluer le corps et le cerveau en même temps. C'est comme laisser une créature grandir, où son corps change de forme et son cerveau apprend à contrôler ces changements simultanément, tout comme un bébé humain apprend à ramper et à marcher à mesure que ses muscles et ses os se développent.
La grande question est : est-ce que le fait de laisser le corps et le cerveau changer ensemble fonctionne réellement mieux, ou est-ce que cela crée simplement un désordre ? Les scientifiques essaient de comprendre cela depuis des décennies car si nous réussissons, nous pourrions concevoir des robots qui seraient incroyablement adaptables, efficaces et capables de faire des choses que nous ne pouvons même pas imaginer encore. Mais il y a un piège : quand vous changez le corps d'un robot, le cerveau qui était bon pour contrôler l'ancien corps devient souvent très mauvais pour contrôler le nouveau. Cela rend très difficile pour les programmes informatiques de déterminer quelles formes de corps sont réellement les meilleures, car le « score » change à chaque fois que le corps change.
Cet article plonge au cœur de ce problème complexe en créant une carte massive et détaillée de chaque forme de corps de robot possible dans un monde spécifique et restreint. Les chercheurs, Alican Mertan et Nick Cheney, ont construit une simulation avec plus de 1,3 million de conceptions différentes de robots mous. Ils n'ont pas seulement deviné lesquelles étaient bonnes ; ils ont entraîné un cerveau pour chacune d'entre elles afin de voir quel pourrait être la véritable performance maximale de chaque forme de corps. Imaginez cela comme un immense jeu vidéo où ils auraient joué à chaque niveau pour trouver le score parfait avant même que les joueurs ne commencent.
Ce qu'ils ont découvert est un peu surprenant et un peu frustrant pour les robots. Lorsqu'ils ont laissé leurs programmes informatiques essayer de faire évoluer le meilleur robot en changeant à la fois le corps et le cerveau, les programmes se sont souvent retrouvés bloqués. Ils choisissaient une forme de corps qui semblait correcte, mais parce que le cerveau n'était pas encore parfaitement entraîné pour cette nouvelle forme, le robot performait mal. Le programme informatique voyait ce score bas et décidait : « Cette forme de corps est mauvaise ! » et la supprimait. Mais voici le rebondissement : cette forme de corps était en fait l'une des meilleures conceptions possibles ! Elle avait juste besoin d'un peu plus de temps pour que son cerveau apprenne à l'utiliser. Parce que les programmes étaient trop prompts à juger, ils jetaient les candidats les plus prometteurs, restant bloqués sur des solutions médiocres qui n'étaient qu'à un minuscule changement de devenir extraordinaires.
Les chercheurs appellent cela la « co-adaptation fragile ». C'est comme juger la vitesse d'une nouvelle voiture en la conduisant avec un conducteur qui n'a jamais vu ce modèle spécifique auparavant. La voiture peut être une Ferrari, mais si le conducteur est confus, il la conduira comme une lente berline. Les programmes informatiques de l'étude agissaient comme des juges impatients qui renvoyaient le chauffeur et mettaient la voiture au rebut au lieu de lui donner le temps d'apprendre.
Cependant, l'article a aussi trouvé une lueur d'espoir. Même si les programmes ont eu du mal à trouver les formes de corps les plus optimales, le processus consistant à faire évoluer le corps et le cerveau ensemble a parfois conduit à des solutions que l'on n'aurait pas obtenues si l'on avait simplement construit un corps d'abord, puis entraîné un cerveau. Il s'avère qu'au fur et à mesure que le corps du robot changeait de forme, le cerveau était forcé d'apprendre de nouvelles astuces en cours de route. Ce « changement d'objectif » a aidé le cerveau à échapper aux pièges locaux et à découvrir des manières de bouger ingénieuses qu'un corps fixe n'aurait jamais découvertes.
Ainsi, la conclusion principale est que, bien que faire évoluer ensemble le corps et le cerveau d'un robot soit une idée puissante, c'est actuellement très difficile à réaliser correctement car les « cerveaux » ne sont pas bons pour juger le potentiel de « corps » qu'ils n'ont pas encore rencontrés. L'étude suggère que nous avons besoin de moyens plus intelligents pour donner à ces robots en évolution plus de temps pour apprendre avant de décider si leurs corps sont bons ou mauvais. C'est un rappel que, dans le monde de la vie artificielle, le meilleur chemin à suivre n'est pas seulement de trouver la conception parfaite, mais de donner à la conception assez de temps pour qu'elle puisse réaliser son potentiel.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.