Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
1.3 मिलियन से अधिक सॉफ्ट रोबोटों के मॉर्फोलॉजी-फिटनेस लैंडस्केप का व्यापक रूप से मानचित्रण करते हुए, यह अध्ययन प्रकट करता है कि जबकि विकासवादी ब्रेन-बॉडी सह-अनुकूलन (co-optimization) लक्ष्य-परिवर्तन (goal-switching) के माध्यम से अद्वितीय प्रदर्शन लाभ प्रदान कर सकता है, यह रूपात्मक क्षमता (morphological potential) के चयन में लगातार विफल रहता है क्योंकि यह अक्सर आशाजनक नए उत्परिवर्तित शरीरों को कम आंकता है और उन्हें समाप्त कर देता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को चलना सिखाने की कोशिश कर रहे हैं। रोबोटिक्स की दुनिया में, इसे करने के सबसे अच्छे तरीके को लेकर एक बड़ी बहस है। विचारों का एक समूह कहता है कि आपको पहले रोबोट का शरीर बनाना चाहिए—यह तय करना चाहिए कि उसके कितने पैर हैं, वे कितने लंबे हैं, और वे किस चीज़ से बने हैं—और फिर उसके "मस्तिष्क" (कंप्यूटर कोड) को उस विशिष्ट शरीर को हिलाना-डुलाना सिखाना चाहिए। दूसरा विचार समूह, जिसे ब्रेन-बॉडी को-ऑप्टिमिज़ेशन (brain-body co-optimization) कहा जाता है, यह सुझाव देता है कि आपको शरीर और मस्तिष्क दोनों को एक साथ विकसित करना चाहिए। यह एक जीव के बड़े होने जैसा है, जहाँ उसका शरीर आकार में बदलता है और उसका मस्तिष्क उन परिवर्तनों को नियंत्रित करना सीखता है, ठीक वैसे ही जैसे एक मानव शिशु अपने मांसपेशियों और हड्डियों के विकसित होने के साथ रेंगना और चलना सीखता है।
बड़ा सवाल यह है कि क्या शरीर और मस्तिष्क को एक साथ बदलने देने से वास्तव में बेहतर परिणाम मिलते हैं, या यह सब कुछ अस्त-व्यस्त कर देता है? वैज्ञानिक दशकों से यह पता लगाने की कोशिश कर रहे हैं क्योंकि यदि हम इसे सही ढंग से कर लेते हैं, तो हम ऐसे रोबोट डिज़ाइन कर सकते हैं जो अविश्वसनीय रूप से अनुकूलन योग्य, कुशल और सक्षम होंगे, जो वे काम कर सकेंगी जिनकी हम कल्पना भी नहीं कर सकते। लेकिन इसमें एक पेंच है: जब आप एक रोबोट के शरीर को बदलते हैं, तो वह मस्तिष्क जो पुराने शरीर को नियंत्रित करने में अच्छा था, अक्सर नए शरीर को नियंत्रित करने में बहुत बुरा हो जाता है। यह कंप्यूटर प्रोग्रामों के लिए यह समझना बहुत कठिन बना देता है कि कौन से शरीर के आकार वास्तव में सबसे अच्छे हैं, क्योंकि हर बार जब शरीर बदलता है, तो "स्कोर" बदल जाता है।
यह शोध पत्र एक विशिष्ट, छोटे संसार में हर संभव रोबोट शरीर के आकार का एक विशाल, विस्तृत मानचित्र बनाकर इस जटिल समस्या की गहराई में उतरता है। शोधकर्ता, एलिसन मर्टन और निक चेनी ने 1.3 मिलियन से अधिक अलग-अलग सॉफ्ट रोबोट डिज़ाइनों के साथ एक सिमुलेशन बनाया। उन्होंने केवल अंदाज़ा नहीं लगाया कि कौन से अच्छे हैं; उन्होंने प्रत्येक के लिए एक मस्तिष्क को प्रशिक्षित किया ताकि यह देखा जा सके कि प्रत्येक शरीर के आकार का वास्तविक सर्वोत्तम प्रदर्शन क्या हो सकता है। इसे एक विशाल वीडियो गेम की तरह समझें जहाँ उन्होंने खिलाड़ियों के शुरू होने से पहले ही हर एक लेवल को खेला ताकि परफेक्ट स्कोर मिल सके।
उन्होंने जो पाया वह थोड़ा आश्चर्यजनक और रोबोट्स के लिए थोड़ा निराशाजनक है। जब उन्होंने अपने कंप्यूटर प्रोग्रामों को शरीर और मस्तिष्क दोनों को एक साथ बदलकर सबसे अच्छा रोबोट विकसित करने की कोशिश करने दी, तो प्रोग्राम अक्सर फंस गए। वे एक ऐसा शरीर का आकार चुनते जो ठीक-ठाक दिखता था, लेकिन क्योंकि मस्तिष्क अभी तक उस नए आकार के लिए पूरी तरह से प्रशिक्षित नहीं था, इसलिए रोबोट का प्रदर्शन खराब रहा। कंप्यूटर प्रोग्राम इस कम स्कोर को देखता और निर्णय लेता, "यह शरीर का आकार बुरा है!" और उसे हटा देता। लेकिन यहाँ एक मोड़ है: वह शरीर का आकार वास्तव में सबसे अच्छे डिज़ाइनों में से एक था! बस उसे अपने मस्तिष्क को यह सीखने के लिए थोड़ा और समय चाहिए था कि इसका उपयोग कैसे किया जाए। क्योंकि कंप्यूटर प्रोग्राम बहुत जल्दी निर्णय ले रहे थे, वे सबसे आशाजनक उम्मीदवारों को फेंकते रहे, और उन औसत समाधानों पर अटक गए जो एक छोटे से बदलाव से अद्भुत बनने वाले थे।
शोधकर्ता इसे "फ्रैजाइल को-अडैप्टेशन" (fragile co-adaptation) कहते हैं। यह एक नई कार की गति का आकलन करने की कोशिश करने जैसा है, जिसमें ड्राइवर ने अभी तक उस विशिष्ट मॉडल को देखा भी नहीं है। कार एक फेरारी हो सकती है, लेकिन अगर ड्राइवर भ्रमित है, तो वह एक धीमी सेडान की तरह चलेगी। इस अध्ययन में कंप्यूटर प्रोग्राम उन अधीम निर्णायकों की तरह व्यवहार कर रहे थे जिन्होंने ड्राइवर को निकालने और कार को नष्ट करने का फैसला किया, बजाय इसके कि उन्हें सीखने के लिए समय दिया जाता।
हालाँकि, शोध पत्र में एक उम्मीद की किरण भी मिली। भले ही प्रोग्राम सबसे अच्छे शरीर के आकार खोजने में संघर्ष कर रहे थे, लेकिन शरीर और मस्तिष्क को एक साथ विकसित करने की प्रक्रिया कभी-कभी ऐसे समाधानों की ओर ले गई जो आपको नहीं मिल सकते थे यदि आप पहले एक शरीर बनाते और फिर एक मस्तिष्क को प्रशिक्षित करते। ऐसा हुआ कि जैसे-जैसे रोबोट का शरीर आकार में बदलता गया, मस्तिष्क को रास्ते में नए करतब सीखने के लिए मजबूर होना पड़ा। इस "लक्ष्य-परिवर्तन" (goal-switching) ने मस्तिष्क को स्थानीय बाधाओं से बाहर निकलने और चलने के चतुर तरीके खोजने में मदद की जो एक निश्चित शरीर कभी नहीं खोज पाता।
तो, मुख्य निष्कर्ष यह है कि जबकि एक रोबोट के शरीर और मस्तिष्क को एक साथ विकसित करना एक शक्तिशाली विचार है, वर्तमान में इसे अच्छी तरह से करना बहुत कठिन है क्योंकि "मस्तिष्क" उन "शरीरों" की क्षमता का आकलन करने में अच्छे नहीं हैं जिनसे वे अभी तक मिले भी नहीं हैं। यह अध्ययन सुझाव देता है कि हमें इन विकसित होते रोबोटों को यह तय करने से पहले कि उनके शरीर अच्छे हैं या बुरे, उन्हें सीखने के लिए अधिक समय देने के स्मार्ट तरीके खोजने की आवश्यकता है। यह हमें याद दिलाता है कि कृत्रिम जीवन की दुनिया में, कभी-कभी आगे बढ़ने का सही रास्ता केवल एक आदर्श डिज़ाइन खोजने के बारे में नहीं है, बल्कि उस डिज़ाइन को उसकी क्षमता में विकसित होने के लिए पर्याप्त समय देने के बारे में है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।