Cognitive evolution enables de novo design of untethered millimeter-scale robots
Ce document présente EvoAgent, un agent basé sur un grand modèle de langage qui emploie l'évolution cognitive pour surmonter des contraintes de conception complexes, parvenant ainsi à créer un robot non lié de 10 mm de haute performance avec une poussée et une robustesse opérationnelle nettement améliorées par rapport aux bases d'algorithmes génétiques traditionnels.
Article original sous licence CC BY 4.0 (https://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
Les petites machines capables de se déplacer de manière autonome sans être reliées à une source d'énergie portent la promesse d'explorer des endroits trop petits ou trop dangereux pour les humains. Imaginez un dispositif de la taille d'un grain de riz qui pourrait ramper à travers un tuyau fissuré pour trouver une fuite ou naviguer à l'intérieur du corps humain pour administrer un médicament. Le défi, cependant, est qu'à cette échelle minuscule, chaque partie de la machine doit tenir dans un espace ne dépassant pas quelques millimètres. La batterie, le moteur et les pattes doivent tous partager ce volume exigu, et modifier une pièce entraîne souvent la rupture d'une autre. Si le moteur est fabriqué légèrement plus grand pour produire plus de puissance, il pourrait ne plus laisser de place pour la batterie, ou pourrait décentrer l'équilibre de la machine, l'empêchant ainsi de marcher. Concevoir ces robots nécessite généralement un équilibre difficile où les ingénieurs tentent de deviner la bonne combinaison de pièces, s'appuyant souvent sur des essais et des erreurs qui peuvent prendre beaucoup de temps et de nombreuses tentatives infructueuses.
Une équipe de chercheurs de l'Université de Beihang et d'autres institutions a développé une nouvelle façon de résoudre ce casse-tête en utilisant un type d'intelligence artificielle qui pense comme un ingénieur. Ils ont créé un système qu'ils appellent EvoAgent, qui agit comme un concepteur numérique apprenant de ses propres erreurs et de ses succès. Au lieu de simplement essayer aléatoirement différentes formes en espérant que l'une d'elles fonctionne, ce système utilise un grand modèle de langage pour comprendre la physique derrière la conception. Avant même que l'ordinateur ne lance une simulation pour voir si un robot peut se déplacer, EvoAgent propose un nouveau design et explique les raisons physiques de ses choix. Il considère pourquoi un design précédent a échoué, par exemple parce qu'un fil était trop épais ou qu'un espace était trop étroit, et utilise ce savoir pour proposer une version améliorée. Ce processus crée un « arbre généalogique » de designs où les leçons tirées d'une génération sont transmises à la suivante, permettant au système de faire évoluer un robot fonctionnel bien plus rapidement que les méthodes traditionnelles.
Les chercheurs ont testé cette approche en essayant de concevoir deux parties critiques d'un robot à l'échelle millimétrique : le moteur électromagnétique qui fournit la puissance, et la structure de la patte qui convertit cette puissance en mouvement. Ils ont comparé leur nouvelle méthode pilotée par l'IA aux anciennes techniques standards qui reposent sur des variations aléatoires, semblables à la sélection naturelle en biologie. Les résultats ont montré que la méthode par l'IA était bien plus efficace. Elle a trouvé un design de moteur produisant plus de deux fois la force de poussée du meilleur design trouvé par les anciennes méthodes, tout en utilisant la même quantité d'espace. Lorsque les chercheurs ont construit le robot basé sur le design de l'IA, celui-ci s'est révélé remarquablement capable. La machine finale, qui ne mesure que 10 millimètres de long et pèse seulement un gramme, pouvait se déplacer à une vitesse de 6,5 longueurs de corps par seconde. Elle était également beaucoup plus fiable, fonctionnant avec succès sous trente combinaisons différentes de courant électrique et de fréquence de vibration, alors que le robot conçu par l'ancienne méthode ne fonctionnait que sous dix conditions.
Ce qui rend cette réussite significative n'est pas seulement la vitesse du robot, mais la manière dont la conception a été réalisée. Le système d'IA a réussi à naviguer dans le réseau complexe de contraintes qui piègent habituellement les concepteurs humains. Il a appris que certains changements, comme augmenter le nombre de tours de fil dans le moteur, augmenteraient la puissance mais ajouteraient aussi du poids, et il a compris comment équilibrer ces compromis sans avoir besoin de tester chaque possibilité individuelle. Le système a enregistré ses découvertes, transformant des échecs spécifiques en règles générales qu'il pouvait appliquer à de futurs designs. Par exemple, il a appris à éviter certaines formes qui provoquaient la perte de contact du robot avec le sol. Cette capacité à apprendre des retours physiques et à appliquer ces leçons à de nouveaux problèmes suggère une nouvelle façon de construire des machines. Les chercheurs ont construit le robot, l'ont testé et ont confirmé que les performances prédites par les simulations informatiques correspondaient aux résultats du monde réel. Le robot pouvait non seulement avancer, mais aussi tourner brusquement et transporter une charge de plus de cinq fois son propre poids.
Ce travail démontre que l'intelligence artificielle peut faire plus que simplement optimiser des chiffres ; elle peut comprendre le monde physique suffisamment bien pour inventer de nouvelles machines. En traitant le processus de conception comme une conversation où l'ordinateur apprend de sa propre histoire, les chercheurs ont pu créer un robot qui fonctionne avec une large marge de sécurité et de performance. La capacité du robot à fonctionner sur une large gamme de conditions signifie qu'il est plus susceptible de réussir dans les environnements imprévisibles où de telles machines sont nécessaires. Bien que l'étude se soit concentrée sur un type spécifique de robot, la méthode utilisée pour le concevoir pourrait être appliquée à d'autres systèmes complexes où les pièces doivent fonctionner ensemble dans des espaces restreints. Le succès de ce projet suggère que l'avenir de la robotique ne réside pas seulement dans la construction de machines plus petites, mais dans l'enseignement aux ordinateurs comment penser comme les ingénieurs qui les construisent, en apprenant de chaque étape du processus pour créer des designs qui soient à la fois innovants et pratiques.
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.