Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
130만 개 이상의 소프트 로봇에 대한 형태-적합도 지형을 철저히 매핑함으로써, 본 연구는 진화적 뇌-신체 공동 최적화가 목표 전환을 통해 독특한 성능 이득을 산출할 수는 있지만, 유망한 신규 돌연변이 신체를 빈번하게 저평가하고 제거하기 때문에 형태적 잠재력을 선택하는 데에는 지속적으로 실패한다는 것을 밝혀냈다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
로봇에게 걷는 법을 가르치려 한다고 상상해 보세요. 로봇 공학의 세계에는 이를 가장 잘 수행하는 방법에 대한 큰 논쟁이 있습니다. 한 학파는 로봇의 몸을 먼저 만들어야 한다고 말합니다. 다리가 몇 개인지, 길이는 얼마인지, 무엇으로 만들어졌는지 등을 정확히 결정한 다음, 그 특정 몸을 움직이는 방법(컴퓨터 코드)을 뇌에 가르쳐야 한다는 것입니다. 반면, **뇌-신체 공동 최적화(brain-body co-optimization)**라고 불리는 다른 학파는 몸과 뇌를 동시에 진화시켜야 한다고 제안합니다. 이것은 마치 생명체가 성장하는 것과 같습니다. 인간 아기가 근육과 뼈가 발달함에 따라 기어 다니고 걷는 법을 배우는 것처럼, 신체의 형태가 변함과 동시에 뇌도 그 변화를 제어하는 법을 배우는 것입니다.
중요한 질문은, 몸과 뇌를 함께 변화시키는 것이 실제로 더 효과적인가, 아니면 그저 상황을 엉망으로 만드는가 하는 점입니다. 과학자들은 이를 제대로 해낼 수 있다면 우리가 상상할 수 있는 것 이상의 일을 할 수 있는, 매우 적응력이 뛰어나고 효율적인 로봇을 설계할 수 있기 때문에 수십 년 동안 이 문제를 파헤쳐 왔습니다. 하지만 함정이 있습니다. 로봇의 몸을 바꾸면, 기존의 몸을 잘 제어했던 뇌는 새로운 몸을 제어하는 데 있어 형편없게 변해버리는 경우가 많습니다. 이 때문에 컴퓨터 프로그램이 어떤 몸의 형태가 정말 좋은지를 알아내기가 매우 어렵습니다. 왜냐하면 몸이 바뀔 때마다 '점수'가 계속 변하기 때문입니다.
이 논문은 이 복잡하고 혼란스러운 문제를 깊이 파고들어, 특정하고 작은 세계 안에서 가능한 모든 로봇 몸의 형태에 대한 거대하고 상세한 지도를 만듭니다. 연구자들인 알리칸 메르탄(Alican Mertert)과 닉 체니(Nick Cheney)는 130만 개 이상의 서로 다른 소프트 로봇 설계를 포함하는 시뮬레이션을 구축했습니다. 그들은 단순히 어떤 것이 좋은지 추측만 한 것이 아니라, 각 몸의 형태가 보여줄 수 있는 진정한 최고의 성능을 확인하기 위해 모든 몸에 대해 뇌를 훈련시켰습니다. 이것은 마치 플레이어들이 시작하기도 전에 모든 레벨을 플레이하여 완벽한 점수를 찾아내는 거대한 비디오 게임과 같습니다.
그들이 발견한 결과는 다소 놀랍고도 좌절스럽습니다. 연구진이 몸과 뇌를 동시에 변화시키며 최적의 로봇을 진화시키려고 시도했을 때, 프로그램들은 자주 정체되었습니다. 프로그램들은 겉보기에 괜찮아 보이는 몸의 형태를 선택했지만, 뇌가 그 새로운 형태에 완벽하게 적응하지 못했기 때문에 로봇은 형편없는 성과를 냈습니다. 그러면 컴퓨터 프로그램은 이 낮은 점수를 보고 "이 몸의 형태는 나쁘다!"라고 판단하여 삭제해 버립니다. 하지만 여기서 반전이 있습니다. 그 몸의 형태는 사실 가장 유망한 디자인 중 하나였습니다! 단지 그 몸을 사용하는 법을 배울 시간이 조금 더 필요했을 뿐입니다. 프로그램들이 너무 성급하게 판단했기 때문에, 단 한 단계의 변화만으로도 놀라워질 수 있었던 가장 유망한 후보들을 계속해서 버려버린 것입니다.
연구자들은 이를 "취약한 공동 적응(fragile co-adaptation)"이라고 부릅니다. 이것은 마치 특정 모델을 본 적이 없는 운전자를 태우고 새 자동차의 속도를 평가하는 것과 같습니다. 그 차는 페라리일 수도 있지만, 운전자가 혼란스러워한다면 느릿느릿한 세단처럼 달릴 것입니다. 이 연구의 컴퓨터 프로그램들은 드라이버에게 학습할 시간을 주기보다 드라이버를 해고하고 차를 폐기해 버리는 성급한 심판처럼 행동했습니다.
하지만 이 논문은 또한 희망적인 부분도 찾아냈습니다. 비록 프로그램들이 절대적으로 최고의 몸 형태를 찾는 데는 어려움을 겪었지만, 몸과 뇌를 함께 진화시키는 과정은 몸을 먼저 만든 후 뇌를 훈련하는 방식으로는 결코 얻을 수 없는 해결책들을 때때로 이끌어냈습니다. 로봇의 몸이 시간이 흐름에 따라 형태를 바꿈에 따라, 뇌는 그 과정에서 새로운 기술을 배워야만 했습니다. 이 "목표 전환(goal-switching)"은 뇌가 국소적인 함정에서 벗어나, 고정된 몸으로는 결코 발견할 수 없었을 영리한 움직임 방식을 찾도록 도왔습니다.
따라서 핵심적인 교훈은, 로봇의 몸과 뇌를 함께 진화시키는 것이 강력한 아이디어이긴 하지만, 현재로서는 "뇌"가 아직 만나본 적 없는 "몸"의 잠재력을 판단하는 데 서투르기 때문에 이를 잘 수행하기가 매우 어렵다는 것입니다. 이 연구는 우리가 진화하는 로봇들에게 그들의 몸이 좋은지 나쁜지 결정하기 전에 학습할 수 있는 충분한 시간을 주는 더 똑똑한 방법이 필요함을 시사합니다. 이는 인공 생명의 세계에서, 때로는 단순히 완벽한 설계를 찾는 것보다 그 설계가 자신의 잠재력을 꽃피울 수 있도록 충분한 시간을 주는 것이 더 나은 길일 수 있음을 상기시켜 줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.