Cognitive evolution enables de novo design of untethered millimeter-scale robots
Questo articolo presenta EvoAgent, un agente basato su modelli linguistici di grandi dimensioni che impiega l'evoluzione cognitiva per superare complessi vincoli di progettazione, creando con successo un robot non vincolato da 10 mm ad alte prestazioni con una spinta e una robustezza operativa significativamente migliorate rispetto ai baseline tradizionali degli algoritmi genetici.
Articolo originale sotto licenza CC BY 4.0 (https://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
Le macchine minuscole che possono muoversi autonomamente senza essere collegate a una fonte di energia promettono di esplorare luoghi troppo piccoli o pericolosi per gli esseri umani. Immaginate un dispositivo delle dimensioni di un chicco di riso che potrebbe strisciare attraverso un tubo crepato per trovare una perdita o navigare all'interno del corpo umano per somministrare dei medicinali. La sfida, tuttavia, è che a questa scala minuscola, ogni parte della macchina deve entrare in uno spazio non superiore a pochi millimetri. La batteria, il motore e le zampe devono tutti condividere questo volume ristretto, e cambiare un componente spesso ne rompe un altro. Se il motore viene reso leggermente più grande per produrre più potenza, potrebbe non esserci più spazio per la batteria, oppure potrebbe spostare l'equilibrio della macchina impedendole di camminare. Progettare questi robot richiede solitamente un difficile gioco di equilibri in cui gli ingegneri cercano di indovinare la giusta combinazione di parti, affidandosi spesso a tentativi ed errori che possono richiedere molto tempo e numerosi fallimenti.
Un team di ricercatori della Beihang University e di altre istituzioni ha sviluppato un nuovo modo per risolvere questo enigma utilizzando un tipo di intelligenza artificiale che pensa come un ingegnere. Hanno creato un sistema che chiamano EvoAgent, il quale agisce come un progettista digitale che impara dai propri errori e successi. Invece di provare semplicemente diverse forme in modo casuale sperando che una funzioni, questo sistema utilizza un modello linguistico di grandi dimensioni per comprendere la fisica dietro il progetto. Prima ancora che il computer esegua una simulazione per vedere se un robot può muoversi, EvoAgent propone un nuovo design ed spiega le ragioni fisiche delle sue scelte. Considera perché un precedente progetto è fallito, ad esempio perché un filo era troppo spesso o un'apertura troppo piccola, e usa quella conoscenza per proporre una versione migliore. Questo processo crea un "albero genealogico" di progetti in cui le lezioni apprese da una generazione vengono tramandate alla successiva, permettendo al sistema di far evolvere un robot funzionante molto più velocemente rispetto ai metodi tradizionali.
I ricercatori hanno testato questo approccio cercando di progettare due parti critiche di un robot di scala millimetrica: il motore elettromagnetico che fornisce la potenza e la struttura della zampa che converte tale potenza in movimento. Hanno confrontato il loro nuovo metodo guidato dall'IA con le tecniche standard più vecchie che si affidano a variazioni casuali, simili a come avviene la selezione naturale in biologia. I risultati hanno mostrato che il metodo basato sull'IA era molto più efficiente. Ha trovato un design del motore che produceva più del doppio della forza di spinta rispetto al miglior design trovato con i metodi più vecchi, pur utilizzando lo stesso spazio. Quando i ricercatori hanno costruito il robot basandosi sul design dell'IA, questo si è dimostrato straordinariamente capace. La macchina finale, che è lunga solo 10 millimetri e pesa appena un grammo, poteva muoversi a una velocità di 6,5 lunghezze corporee al secondo. Era anche molto più affidabile, riuscendo a muoversi sotto trenta diverse combinazioni di corrente elettrica e frequenza di vibrazione, mentre il robot progettato con il metodo più vecchio funzionava solo in dieci condizioni.
Ciò che rende importante questo traguardo non è solo la velocità del robot, ma il modo in cui il design è stato ottenuto. Il sistema di IA è riuscito a navigare nella complessa rete di vincoli che di solito intrappolano i progettisti umani. Ha imparato che certi cambiamenti, come aumentare il numero di spire di filo nel motore, aumenterebbero la potenza ma aggiungerebbero anche peso, e ha capito come bilanciare questi compromessi senza dover testare ogni singola possibilità. Il sistema ha registrato i suoi risultati, trasformando fallimenti specifici in regole generali che poteva applicare a progetti futuri. Ad esempio, ha imparato a evitare certe forme che causavano la perdita di contatto del robot con il suolo. Questa capacità di imparare dal feedback fisico e applicare tali lezioni a nuovi problemi suggerisce un nuovo modo per costruire macchine. I ricercatori hanno costruito il robot, lo hanno testato e hanno confermato che le prestazioni previste dalle simulazioni al computer corrispondevano ai risultati del mondo reale. Il robot poteva non solo muoversi in avanti, ma anche curvare bruscamente e trasportare un carico superiore a cinque volte il proprio peso.
Questo lavoro dimostra che l'intelligenza artificiale può fare di più che ottimizzare numeri; può comprendere il mondo fisico abbastanza bene da inventare nuove macchine. Trattando il processo di progettazione come una conversazione in cui il computer impara dalla propria storia, i ricercatori sono stati in grado di creare un robot che opera con un ampio margine di sicurezza e di prestazione. La capacità del robot di funzionare in un'ampia gamma di condizioni significa che è più probabile che abbia successo negli ambienti imprevedibili in cui tali macchine sono necessarie. Sebbene lo studio si sia concentrato su un tipo specifico di robot, il metodo utilizzato per progettarlo potrebbe essere applicato ad altri sistemi complessi dove le parti devono lavorare insieme in spazi ristretti. Il successo di questo progetto suggerisce che il futuro della robotica potrebbe non riguardare solo la costruzione di macchine più piccole, ma l'insegnare ai computer come pensare come gli ingegneri che le costruiscono, imparando da ogni fase del processo per creare design che siano sia innovativi che pratici.
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.