Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
130万体を超えるソフトロボットの形態・適応度ランドスケープを網羅的にマッピングした本研究は、進化的な脳と身体の共同最適化が、目標の切り替えを通じて独自の性能向上をもたらし得る一方で、有望な新規変異体を生じた身体をしばしば過小評価し排除してしまうため、形態的ポテンシャルの選択には一貫して失敗することを明らかにしている。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
ロボットに歩き方を教えようとしている場面を想像してみてください。ロボット工学の世界では、これをどのように行うのが最善かについて、大きな論争があります。一つの考え方は、まずロボットの体を構築することから始めるべきだというものです。つまり、脚がいくつあるか、長さはどれくらいか、何で作られているかといったことを正確に決定し、その上で、その特定の体を動かすための「脳」（コンピュータ・コード）を教え込むという方法です。一方、「脳と体の共最適化（brain-body co-optimization）」と呼ばれるもう一つの考え方は、体と脳を同時に進化させるべきだと提案しています。それは、まるで生物が成長していく過程のようです。人間の赤ちゃんが、筋肉や骨が発達するのと並行してハイハイや歩行を学んでいくように、体の形が変化すると同時に、脳もその変化を制御する方法を学ぶのです。
大きな疑問は、体と脳を一緒に変化させることが、実際にうまく機能するのか、それとも単に混乱を招くだけなのか、ということです。科学者たちは、もしこれを正しく実現できれば、驚くほど適応力があり、効率的で、私たちが想像もできないようなことができるロボットを設計できる可能性があるため、何十年もの間、この問題を解明しようとしてきました。しかし、落とし穴があります。ロボットの体を変えると、以前の体に対して優れていた脳は、しばめて新しい体に対しては非常に不器用になってしまうのです。このことが、コンピュータ・プログラムにとって、どの体の形が本当に優れたものかを見極めることを非常に困難にしています。なぜなら、体の形が変わるたびに「スコア」が変化してしまうからです。
この論文は、その混沌とした問題に深く切り込み、特定の小さな世界における、あらゆる可能なロボットの体の形を網羅した、極めて詳細なマップを作成しています。研究者のアリカン・メルタンとニック・チェニーは、130万種類以上の異なるソフトロボットのデザインを含むシミュレーションを構築しました。彼らは単にどれが良いかを推測したのではなく、それぞれの体の形状における「真の最高性能」がどうなるかを確認するために、一つひとつの体に対して脳を訓練しました。これは、プレイヤーがゲームを開始する前に、すべてのレベルをプレイしてパーフェクトスコアを見つけ出しておく、巨大なビデオゲームのようなものです。
彼らが発見したのは、少し驚くべきであり、かつロボットたちにとっては少し不満なことでした。プログラムに、体と脳の両方を同時に変化させて最良のロボットを進化させようとさせたところ、プログラムはしばしば行き詰まってしまうことが分かりました。プログラムは、一見良さそうな体の形を選びますが、その新しい形に対して脳がまだ完璧に訓練されていないために、パフォーマンスが悪くなってしまいます。コンピュータ・プログラムはその低いスコアを見て、「この体の形はダメだ！」と判断してしまうのです。しかし、ここにはひねりがあります。その体の形は、実は最も優れたデザインの一つだったのです！ただ、その形を使いこなすための学習に、もう少し時間が必要だっただけなのです。プログラムは判断が早すぎたために、最も有望な候補を捨て去ってしまい、素晴らしいものになるまであと一歩というところにある平凡な解決策で行き詰まってしまったのです。
研究者たちはこれを「脆弱な共適応（fragile co-adaptation）」と呼んでいます。これは、新しい車のスピードを、そのモデルを見たことがないドライバーを乗せて評価しようとするようなものです。その車がフェラーリであったとしても、ドライバーが混乱していれば、その車はゆっくりとしたセダンのように走ることになります。この研究におけるコンピュータ・プログラムは、ドライバーに学習の時間を与える代わりに、ドライバーを解雇し、車を廃棄してしまうような、せっかちな審判のように振る舞っていたのです。
しかし、この論文は希望の兆しも見出しています。たとえプログラムが絶対的な最良の体の形を見つけるのに苦労したとしても、体と脳を共に進化させるプロセスは、体を作ってから後で脳を訓練する場合では到達できない解決策をもたらすことがある、という点です。ロボットの体が時間の経過とともに形を変えるにつれて、脳は道中で新しいテクニックを学ぶことを余儀なくされます。この「目標の切り替え（goal-switching）」が、脳を局所的な罠から脱出させ、固定された体では決して発見できなかった巧妙な動き方を見つけ出す助けとなったのです。
したがって、主な教訓は、ロボットの体と脳を一緒に進化させることは強力なアイデアではあるものの、現在の「脳」は、まだ出会っていない「体」のポテンシャルを判断するのが上手くないため、それを上手に行うことは非常に難しいということです。この研究は、進化するロボットに対して、その体が良いか悪いかを判断する前に、より多くの学習時間を与えるための、より賢い方法が必要であることを示唆しています。これは、人工生命の世界において、前進するための最善の道は、単に完璧なデザインを見つけることではなく、そのデザインが持つ可能性が開花するまで十分な時間を与えることである、ということを思い出させてくれます。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。