Cognitive evolution enables de novo design of untethered millimeter-scale robots
यह शोधपत्र EvoAgent को प्रस्तुत करता है, जो एक लार्ज-लैंग्वेज-मॉडल एजेंट है जो जटिल डिज़ाइन बाधाओं को दूर करने के लिए संज्ञानात्मक विकास (कॉग्निटिव इवोल्यूशन) का उपयोग करता है, और पारंपरिक जेनेटिक एल्गोरिदम बेसलाइन की तुलना में काफी बेहतर थ्रस्ट और परिचालन सुदृढ़ता के साथ एक उच्च-प्रदर्शन वाला, अनटेदर्ड 10-मिमी रोबोट सफलतापूर्वक बनाता है।
मूल पेपर CC BY 4.0 (https://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
चावल के दाने के आकार की छोटी मशीनें, जो बिना किसी बाहरी शक्ति स्रोत से जुड़े अपने आप चल सकती हैं, उन स्थानों की खोज करने का वादा करती हैं जो मनुष्यों के लिए बहुत छोटे या खतरनाक हैं। एक ऐसे उपकरण की कल्पना करें जो चावल के दाने के आकार का हो और पाइप में दरार ढूंढने के लिए उसमें रेंग सके या दवा पहुँचाने के लिए मानव शरीर के भीतर नेविगेट कर सके। हालाँकि, चुनौती यह है कि इस सूक्ष्म स्तर पर, मशीन के हर हिस्से को कुछ मिलीमीटर से बड़े स्थान में फिट होना चाहिए। बैटरी, मोटर और पैर, इन सभी को इस सीमित आयतन को साझा करना होगा, और अक्सर एक हिस्से को बदलने से दूसरा हिस्सा खराब हो जाता है। यदि मोटर को अधिक शक्ति उत्पन्न करने के लिए थोड़ा बड़ा बनाया जाता है, तो शायद बैटरी के लिए जगह न बचे, या यह मशीन के संतुलन को बिगाड़ सकता है जिससे वह चल नहीं पाएगी। इन रोबोटों को डिजाइन करने के लिए आमतौर पर एक कठिन संतुलन बनाने की आवश्यकता होती है जहाँ इंजीनियर हिस्सों के सही संयोजन का अनुमान लगाने की कोशिश करते हैं, जो अक्सर लंबे समय तक चलने वाले और कई असफल प्रयासों वाले परीक्षण और त्रुटि (ट्रायल एंड एरर) पर निर्भर करता है।
बेइहांग यूनिवर्सिटी और अन्य संस्थानों के शोधकर्ताओं की एक टीम ने इंजीनियरों की तरह सोचने वाले एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस पहेली को हल करने का एक नया तरीका विकसित किया है। उन्होंने एक प्रणाली बनाई जिसे वे 'इवोएजेंट' (EvoAgent) कहते हैं, जो एक डिजिटल डिजाइनर के रूप में कार्य करती है जो अपनी गलतियों और सफलताओं से सीखती है। केवल अलग-अलग आकारों को आज़माने और एक के काम करने की उम्मीद करने के बजाय, यह प्रणाली डिजाइन के पीछे के भौतिक विज्ञान (फिजिक्स) को समझने के लिए एक लार्ज लैंग्वेज मॉडल का उपयोग करती है। कंप्यूटर द्वारा यह देखने के लिए सिमुलेशन चलाने से पहले कि क्या कोई रोबोट चल सकता है, इवोएजेंट एक नया डिजाइन प्रस्तावित करता है और अपने विकल्पों के पीछे के भौतिक कारणों को समझाता है। यह विचार करता है कि पिछला डिजाइन क्यों विफल हुआ, जैसे कि एक तार बहुत मोटा था या एक अंतराल बहुत छोटा था, और उस ज्ञान का उपयोग एक बेहतर संस्करण प्रस्तावित करने के लिए करता है। यह प्रक्रिया डिजाइनों का एक "वंश वृक्ष" (फैमिली ट्री) बनाती है जहाँ एक पीढ़ी से सीखे गए सबक अगली पीढ़ी को दिए जाते हैं, जिससे सिस्टम पारंपरिक तरीकों की तुलना में बहुत तेज़ी से एक काम करने वाला रोबोट विकसित कर पाता है।
शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण मिलीमीटर-स्केल के रोबोट के दो महत्वपूर्ण हिस्सों को डिजाइन करने के लिए किया: इलेक्ट्रोमैग्नेटिक मोटर जो शक्ति प्रदान करती है, और पैर की संरचना जो उस शक्ति को गति में बदलती है। उन्होंने अपने नए एआई-संचालित तरीके की तुलना पुराने, मानक तकनीकों से की जो जैविक विकास (नेचुरल सिलेक्शन) की तरह यादृच्छिक विविधताओं पर निर्भर करती हैं। परिणामों ने दिखाया कि एआई विधि कहीं अधिक कुशल थी। इसने एक ऐसा मोटर डिजाइन खोजा जिसने समान स्थान का उपयोग करते हुए, पुराने तरीकों द्वारा खोजे गए सर्वश्रेष्ठ डिजाइन की तुलना में दोगुनी से अधिक धक्का देने वाली शक्ति (पुशिंग फोर्स) उत्पन्न की। जब शोधकर्ताओं ने एआई के डिजाइन के आधार पर रोबट बनाया, तो यह उल्लेखनीय रूप से सक्षम साबित हुआ। अंतिम मशीन, जो केवल 10 मिलीमीटर लंबी है और जिसका वजन केवल एक ग्राम है, 6.5 बॉडी लेंथ प्रति सेकंड की गति से चल सकती थी। यह बहुत अधिक विश्वसनीय भी थी, जो विद्युत धारा और कंपन आवृत्ति के तीस अलग-अलग संयोजनों के तहत सफलतापूर्वक चल सकी, जबकि पुराने तरीके से डिजाइन किया गया रोबोट केवल दस स्थितियों में काम कर सका।
यह उपलब्धि इसलिए महत्वपूर्ण नहीं है कि रोबोट की गति कितनी है, बल्कि इसलिए है कि यह डिजाइन कैसे हासिल किया गया। एआई प्रणाली ने उन जटिल बाधाओं के जाल को सफलतापूर्वक पार कर लिया जो आमतौर पर मानव डिजाइनरों को फंसा देते हैं। इसने सीखा कि कुछ बदलाव, जैसे कि मोटर में तार के घुमावों (टर्न) की संख्या बढ़ाना, शक्ति तो बढ़ा देंगे लेकिन साथ ही वजन भी बढ़ा देंगे, और इसने बिना हर एक संभावना का परीक्षण किए इन समझौतों (ट्रेड-ऑफ) को संतुलित करना सीख लिया। सिस्टम ने अपने निष्कर्षों को रिकॉर्ड किया, विशिष्ट विफलताओं को सामान्य नियमों में बदल दिया जिन्हें वह भविष्य के डिजाइनों पर लागू कर सके। उदाहरण के लिए, इसने उन आकारों से बचने के बारे में सीखा जिनके कारण रोबोट जमीन के संपर्क से हट जाता था। भौतिक फीडबैक से सीखने और उन पाठों को नई समस्याओं पर लागू करने की यह क्षमता मशीनों को बनाने के एक नए तरीके का सुझाव देती है। शोधकर्ताओं ने रोबोट बनाया, उसका परीक्षण किया, और पुष्टि की कि कंप्यूटर सिमुलेशन द्वारा अनुमानित प्रदर्शन वास्तविक दुनिया के परिणामों से मेल खाता है। रोबोट न केवल आगे बढ़ सकता था बल्कि तेजी से मुड़ भी सकता था और अपने वजन से पांच गुना से अधिक भार ढो सकता था।
यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस केवल संख्याओं को अनुकूलित करने से कहीं अधिक कर सकता है; यह मशीनों का आविष्कार करने के लिए भौतिक दुनिया को समझने में सक्षम है। डिजाइन प्रक्रिया को एक बातचीत के रूप में मानकर जहाँ कंप्यूटर अपने इतिहास से सीखता है, शोधकर्ता एक ऐसा रोबोट बनाने में सफल रहे जो सुरक्षा और प्रदर्शन के एक विस्तृत मार्जिन के साथ काम करता है। विभिन्न स्थितियों के व्यापक दायरे में कार्य करने की रोबोट की क्षमता यह सुनिश्चित करती है कि वह उन अप्रत्याशित वातावरणों में सफल होगा जहाँ ऐसी मशीनों की आवश्यकता होती है। हालांकि यह अध्ययन एक विशिष्ट प्रकार के रोबोट पर केंद्रित था, लेकिन इस डिजाइन के लिए उपयोग की गई विधि को अन्य जटिल प्रणालियों पर भी लागू किया जा सकता है जहाँ हिस्सों को तंग जगहों में एक साथ काम करना होता है। इस परियोजना की सफलता यह सुझाव देती है कि रोबics का भविष्य केवल छोटी मशीनें बनाने के बारे में नहीं है, बल्कि कंप्यूटर को उन इंजीनियरों की तरह सोचना सिखाने के बारे में है जो उन्हें बनाते हैं, ताकि वे हर कदम से सीख सकें और ऐसे डिजाइन बना सकें जो अभिनव और व्यावहारिक दोनों हों।
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।