Cognitive evolution enables de novo design of untethered millimeter-scale robots
本論文は、複雑な設計制約を克服するために認知進化を採用した大規模言語モデルエージェントであるEvoAgentを紹介するものであり、従来の遺伝的アルゴリズムのベースラインと比較して、推力と動作の堅牢性を大幅に向上させた高性能な、紐のない10mmロボットの作成に成功している。
原論文は CC BY 4.0 (https://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
電源に縛られることなく自律的に移動できる極小の機械は、人間には小さすぎたり危険すぎたりする場所を探索するという約束を握っています。ひび割れたパイプの中を這って漏れを見つけたり、体内をナビゲートして薬を届けたりできる、米粒ほどの大きさのデバイスを想像してみてください。しかし、課題は、この極小スケールでは、機械のすべての部品が数ミリメートル以下のスペースに収まらなければならないことです。バッテリー、モーター、そして脚のすべてが、この窮屈な容積を共有しなければなりません。そして、一つの部品を変更すると、しばしば他の部分が壊れてしまいます。もしモーターを少し大きくして出力を上げれば、バッテリーのためのスペースがなくなったり、あるいは機械のバランスが崩れて歩けなくなったりするかもしれません。これらのロボットの設計には通常、エンジニアが部品の適切な組み合わせを推測しようとする困難なバランス調整が必要であり、多くの場合、長い時間と多くの失敗を伴う試行錯誤に頼ることになります。
北軽大学（Beihang University）およびその他の機関の研究チームは、エンジニアのように考える一種の人工知能を用いて、このパズルを解く新しい方法を開発しました。彼らは「EvoAgent」と呼ぶシステムを作り上げました。これは、自らの失敗と成功から学ぶデジタルデザイナーとして機能します。単に異なる形状をランダムに試して、どれかがうまくいくことを願うのではなく、このシステムは大規模言語モデルを使用して、設計の背後にある物理学を理解します。コンピュータがロボットが動けるかどうかを確認するためのシミュレーションを実行する前に、EvoAgentは新しい設計を提案し、その選択に関する物理的な理由を説明します。それは、ワイヤーが太すぎた、あるいは隙間が小さすぎたといった、以前の設計がなぜ失敗したのかを検討し、その知識を用いてより優れたバージョンを提案します。このプロセスは設計の「家系図」を生み出し、ある世代から学んだ教訓が次の世代へと受け継がれることで、従来のメソッドよりもはるかに速く、機能するロボットへと進化させていくのです。
研究者たちは、このアプローチを検証するために、ミリメートルスケールのロボットの2つの重要な部品、すなわち動力を提供する電磁モーターと、その動力を動きへと変換する脚の構造を設計することに挑戦しました。彼らは、生物における自然選択に近い、ランダムな変異に依存する古い標準的な手法と、この新しいAI駆動型の手法を比較しました。その結果、AIによる手法の方がはるかに効率的であることが示されました。AIは、同じスペースを使用しながら、従来の手法で見つかった最高の設計よりも2倍以上の推進力を生み出すモーター設計を見つけ出しました。研究者がAIの設計に基づいてロボットを製作したところ、その性能は驚くほど高いものでした。わずか10ミリメートルの長さで重さがわずか1グラムの最終的な機械は、秒速6.5体長という速度で移動することができました。また、非常に信頼性が高く、電気電流と振動周波数の30通りの異なる組み合わせの下でも正常に動作しましたが、従来の手法で設計されたロボットは10の条件でしか動作しませんでした。
この成果を重要なものにしているのは、ロボットの速度だけでなく、その設計がいかに達成されたかという点です。AIシステムは、人間の設計者をしばしば陥らせる複雑な制約の網をうまく回避しました。システムは、例えばモーターのワイヤーの巻き数を増やすといった変更が、パワーを高める一方で重量も増してしまうといった、特定のトレードオフを学習し、あらゆる可能性をテストすることなく、これらのバランスをどう取るべきかを解明しました。システムは自らの発見を記録し、特定の失敗を将来の設計に適用できる一般的なルールへと変えていきました。例えば、ロボットが地面との接触を失ってしまう原因となる特定の形状を避けることを学習しました。このような物理的なフィードバックから学び、その教訓を新しい問題に適用する能力は、機械の構築における新しい方法を示唆しています。研究者たちはロボットを製作し、テストを行い、コンピュータのシミュレーションによって予測された性能が現実世界の数値と一致することを確認しました。そのロボットは前進できるだけでなく、鋭く回転し、自重の5倍以上の荷重を運ぶこともできました。
この研究は、人工知能が単に数値を最適化するだけでなく、新しい機械を発明できるほど物理的世界を理解できることを証明しています。設計プロセスを、コンピュータが自らの歴史から学ぶ「対話」として扱うことで、研究者たちは広い安全マージンと性能を備えたロボットを作り出すことができました。幅広い条件下で機能するこのロボットの能力は、そのような機械が必要とされる予測不可能な環境において、成功する可能性が高いことを意味しています。本研究は特定のタイプのロボットに焦点を当てていますが、使用された設計手法は、部品が狭いスペース内で連携しなければならない他の複雑なシステムにも応用可能です。このプロジェクトの成功は、ロボット工学の未来が、単に小型の機械を作ることではなく、コンピュータにそれを作るエンジニアのように考えさせ、あらゆるステップから学び、革新的かつ実用的な設計を生み出す方法を教えることにあることを示唆しています。
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。