Cognitive evolution enables de novo design of untethered millimeter-scale robots
이 논문은 인지적 진화를 활용하여 복잡한 설계 제약을 극복함으로써, 기존의 유전 알고리즘 베이스라인과 비교하여 추력이 크게 향상되고 운용 견고성이 개선된 고성능 10mm 무선 로봇을 성공적으로 제작하는 대규모 언어 모델 에이전트인 EvoAgent를 소개한다.
원본 논문은 CC BY 4.0 (https://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
전원 공급원에 연결되지 않고 스스로 움직일 수 있는 아주 작은 기계들은 인간에게 너무 작거나 위험한 장소를 탐사할 수 있다는 약속을 품고 있습니다. 쌀알 크기의 장치가 갈라진 파이프를 기어 다니며 누수를 찾거나, 인간의 몸속을 항해하며 약물을 전달하는 모습을 상상해 보십시오. 그러나 문제는 이 미세한 규모에서는 기계의 모든 부품이 몇 밀리미터도 되지 않는 공간 안에 들어가야 한다는 점입니다. 배터리, 모터, 그리고 다리가 모두 이 비좁은 부피를 나누어 가져야 하며, 한 부품을 바꾸면 종종 다른 부품이 망가지기도 합니다. 만약 더 많은 동력을 생산하기 위해 모터를 약간 더 크게 만든다면, 배터리를 위한 공간이 남지 않거나 기계의 균형을 무너뜨려 걷지 못하게 될 수도 있습니다. 이러한 로봇을 설계하는 것은 대개 엔지니어들이 적절한 부품의 조합을 추측하기 위해 노력해야 하는 어려운 균형 잡기 과정이며, 종종 오랜 시간과 수많은 실패를 거듭하는 시행착오에 의존하게 됩니다.
베이항 대학교(Beihang University)와 다른 기관의 연구진은 엔지니어처럼 생각하는 일종의 인공지능을 사용하여 이 난제를 해결하는 새로운 방법을 개발했습니다. 그들은 스스로의 실수와 성공으로부터 배우는 디지털 설계자 역할을 하는 '에보에이전트(EvoAgent)'라는 시스템을 만들었습니다. 단순히 다양한 형태를 무작위로 시도하며 하나가 작동하기를 바라는 대신, 이 시스템은 대규모 언어 모델을 사용하여 설계 뒤에 숨겨진 물리학을 이해합니다. 컴퓨터가 로봇이 움직일 수 있는지 확인하기 위해 시뮬레이션을 실행하기도 전에, 에보에이전트는 새로운 설계를 제안하고 그 선택에 대한 물리적 이유를 설명합니다. 이 시스템은 전선이 너무 두껍거나 간격이 너무 좁은 것과 같이 이전 설계가 왜 실패했는지를 고려하고, 그 지식을 바탕 पर 더 나은 버전을 제안합니다. 이 과정은 설계의 '가계도'를 생성하여 한 세대에서 배운 교훈이 다음 세대로 전달되게 함으로써, 전통적인 방식보다 훨씬 빠르게 작동하는 로봇을 진화시킬 수 있게 합니다.
연구진은 이 접근 방식을 테스트하기 위해 밀리미터 규모 로봇의 두 가지 핵심 부품인 동력을 제공하는 전자기 모터와, 그 동력을 움직임으로 변환하는 다리 구조를 설계했습니다. 그들은 무작위 변이를 사용하는 기존의 표준 기술(생물학의 자연 선택과 유사한 방식)과 이 새로운 AI 기반 방식을 비교했습니다. 결과는 AI 방식이 훨씬 더 효율적이었습니다. AI 방식은 기존 방식이 찾아낸 최선의 설계보다 동일한 공간을 사용하면서도 두 배 이상의 추진력을 생성하는 모터 설계를 찾아냈습니다. 연구진이 AI의 설계에 따라 로봇을 제작했을 때, 그 로봇은 놀라운 능력을 보여주었습니다. 길이는 10밀리미터에 불과하고 무게는 단 1그램인 최종 기체는 초당 6.5 체구 길이(body lengths)의 속도로 움직일 수 있었습니다. 또한 훨씬 더 신뢰할 수 있었는데, 기존 방식으로 설계된 로봇이 10가지 조건에서만 작동했던 반면, 이 로봇은 30가지 이상의 다양한 전류 및 진동 주파수 조합에서도 성공적으로 움직였습니다.
이 성과의 중요성은 로봇의 속도뿐만 아니라 그 설계가 어떻게 이루어졌는가에 있습니다. AI 시스템은 인간 설계자들을 가두곤 하는 복잡한 제약 조건의 그물을 헤쳐 나갔습니다. 시스템은 모터의 전선 감은 수를 늘리는 것과 같은 특정 변화가 동력은 높이지만 무게도 증가시킨다는 것을 학습했으며, 모든 가능성을 테스트할 필요 없이 이러한 절충안 사이에서 어떻게 균형을 잡을지 알아냈습니다. 시스템은 자신의 발견을 기록하여 특정 실패를 미래의 설계에 적용할 수 있는 일반적인 규칙으로 전환했습니다. 예를 들어, 로봇이 지면과의 접촉을 잃게 만드는 특정 형상을 피하는 법을 배웠습니다. 물리적 피드백으로부터 학습하고 그 교훈을 새로운 문제에 적용하는 이 능력은 기계를 만드는 새로운 방식을 시사합니다. 연구진은 로봇을 제작하고 테스트하여, 컴퓨터 시뮬레이션이 예측한 성능이 실제 결과와 일치함을 확인했습니다. 로봇은 앞으로 나아갈 수 있을 뿐만 아니라, 급격히 회전하고 자기 몸무게보다 5배가 넘는 짐을 운반할 수도 있었습니다.
이 연구는 인공지능가 단순히 숫자를 최적화하는 것을 넘어, 새로운 기계를 발명할 수 있을 만큼 물리적 세계를 이해할 수 있음을 입증합니다. 컴퓨터가 자신의 역사로부터 배우는 대화로서 설계 과정을 다룸으로써, 연구진은 넓은 안전 마진과 성능을 갖춘 로봇을 만들 수 있었습니다. 광범위한 조건에서도 기능할 수 있는 이 로봇의 능력은 이러한 기계가 필요한 예측 불가능한 환경에서 성공할 가능성이 높음을 의미합니다. 이번 연구는 특정 유형의 로봇에 집중했지만, 이를 설계하는 데 사용된 방법은 부품들이 좁은 공간에서 함께 작동해야 하는 다른 복잡한 시스템에도 적용될 수 있습니다. 이 프로젝트의 성공은 로봇의 미래가 단순히 더 작은 기계를 만드는 것이 아니라, 컴퓨터에게 자신들을 만드는 엔지니어처럼 생각하는 법을 가르쳐, 모든 단계로부터 학습하여 혁신적이면서도 실용적인 설계를 만들어내도록 하는 데 있음을 시사합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.