Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
Mappando esaustivamente un paesaggio morfologia-fitness di oltre 1,3 milioni di robot soft, questo studio rivela che, sebbene la co-ottimizzazione evolutiva cervello-corpo possa produrre guadagni di prestazione unici attraverso il cambio di obiettivo, essa fallisce costantemente nel selezionare il potenziale morfologico poiché spesso sottovaluta ed elimina corpi appena mutati ma promettenti.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di cercare di insegnare a un robot come camminare. Nel mondo della robotica, c'è un grande dibattito su come farlo nel modo migliore. Una scuola di pensiero dice che dovresti prima costruire il corpo del robot: decidere esattamente quante zampe ha, quanto sono lunghe e di che materiale sono fatte, e poi insegnare al suo "cervello" (il codice informatico) come muovere quel corpo specifico. Un'altra scuola di pensiero, chiamata co-ottimizzazione cervello-corpo, suggerisce di far evolvere il corpo e il cervello contemporaneamente. È come lasciare che una creatura cresca, dove il suo corpo cambia forma e il suo cervello impara a controllare quei cambiamenti simultaneamente, proprio come un bambino umano che impara a gattonare e camminare mentre i suoi muscoli e le sue ossa si sviluppano.
La grande domanda è: lasciare che il corpo e il cervello cambino insieme funziona davvero meglio, o crea solo un gran caos? Gli scienziati cercano di capire questo da decenni perché, se riuscissimo a farlo bene, potremmo progettare robot incredibilmente adattabili, efficienti e capaci di fare cose che non possiamo nemmeno immaginare. Ma c'è un problema: quando cambi il corpo di un robot, il cervello che era bravo a controllare il vecchio corpo spesso diventa terribile nel controllare il nuovo. Questo rende molto difficile per i programmi informatici capire quali forme del corpo siano effettivamente le migliori, perché il "punteggio" continua a cambiare ogni volta che il corpo cambia.
Questo articolo approfondisce proprio questo problema complicato creando una mappa massiccia e dettagliata di ogni possibile forma del corpo di un robot in un mondo specifico e ristretto. I ricercatori, Alican Mertan e Nick Cheney, hanno costruito una simulazione con oltre 1,3 milioni di diversi design di robot morbidi. Non si sono limitati a indovinare quali fossero i buoni; hanno addestrato un cervello per ognuno di essi per vedere quale potesse essere la vera prestazione ottimale di ogni forma di corpo. Immaginate un enorme videogioco in cui si gioca ogni singolo livello per trovare il punteggio perfetto prima ancora che i giocatori inizino a giocare.
Ciò che hanno scoperto è un po' sorprendente e un po' frustrante per i robot. Quando hanno lasciato che i loro programmi informatici cercassero di far evolvere il miglior robot cambiando contemporaneamente sia il corpo che il cervello, i programmi spesso rimanevano bloccati. Sceglievano una forma del corpo che sembrava discreta, ma poi, poiché il cervello non era ancora perfettamente addestrato per quella nuova forma, il robot si comportava male. Il programma informatico vedeva questo punteggio basso e decideva: "Questa forma del corpo è cattiva!" e la cancellava. Ma ecco il colpo di scena: quella forma del corpo era in realtà uno dei design migliori possibili! Aveva solo bisogno di un po' più di tempo affinché il suo cervello imparasse a usarla. Poiché i programmi informatici erano troppo rapidi nel giudicare, continuavano a buttare via i candidati più promettenti, rimanendo bloccati su soluzioni mediocri che erano solo a un piccolo passo dal diventare straordinarie.
I ricercatori chiamano questo "co-adattamento fragile". È come giudicare la velocità di una nuova auto guidandola con un conducente che non ha mai visto quel modello specifico prima d'ora. L'auto potrebbe essere una Ferrari, ma se il conducente è confuso, la guiderà come una lenta berlina. I programmi informatici dello studio stavano agendo come giudici impazienti che licenziavano il conducente e scartavano l'auto invece di dare loro il tempo di imparare.
Tuttavia, l'articolo ha anche trovato un lato positivo. Anche se i programmi hanno faticato a trovare le forme del corpo assolutamente migliori, il processo di far evolvere corpo e cervello insieme ha portato a volte a soluzioni che non avresti ottenuto se avessi costruito prima un corpo per poi addestrare un cervello. Si è scoperto che, man mano che il corpo del robot cambiava forma nel tempo, il cervello era costretto a imparare nuovi trucchi lungo il percorso. Questo "cambio di obiettivo" ha aiutato il cervello a uscire dalle trappole locali e a trovare modi ingegnosi di muoversi che un corpo fisso non avrebbe mai scoperto.
Quindi, il punto principale è che, sebbene far evolvere insieme il corpo e il cervello di un robot sia un'idea potente, è attualmente molto difficile farlo bene perché i "cervelli" non sono bravi a giudicare il potenziale di "corpi" che non hanno ancora incontrato. Lo studio suggerisce che abbiamo bisogno di modi più intelligenti per dare a questi robot in evoluzione più tempo per imparare prima di decidere se i loro corpi sono buoni o meno. È un promemoria del fatto che, nel mondo della vita artificiale, a volte la strada migliore non è solo trovare il design perfetto, ma dare al design abbastanza tempo per realizzare il proprio potenziale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.