Technische Samenvatting: Wanneer Zoeken Geheugen Wordt

Probleemstelling

Huidige benaderingen voor evolutionair robotontwerp, met name die welke Large Language Models (LLM's) gebruiken als voorstelgeneratoren, lijden onder een "geheugenloze" beperking. In standaardlussen (bijvoorbeeld Genetische Algoritmen) vormen simulatieresultaten de volgende populatie, maar wordt het specifieke bewijsmateriaal over waarom een morfologie slaagde of faalde, weggegooid zodra de populatie evolueert. Waar klassieke morfologische zoektochten wel hoog-fit lichamen ontdekken, falen ze in het behoud van de onderliggende ontwerpprincipes—zoals stabiliteit, contactmechanica en dragende structuren—als herbruikbare kennis. Bijgevolg moet de agent, wanneer de ontwerpruimte verandert (bijvoorbeeld schaling van een 5×5 naar een 10×10 rooster), deze principes opnieuw van nul af leren, wat kostbare evaluatiebudgetten verspillen.

Methodologie: AUTO-ROBOTIST

De auteurs introduceren AUTO-ROBOTIST, een zelfevoluerende LLM-agent die is ontworpen om dure fysieke zoeksporen om te zetten in een expliciete, controleerbare en overdraagbare vaardigheidsbibliotheek. Het systeem werkt binnen de EVOGYM-benchmark, die het ontwerpen van modulaire zachte robots (voxelgebaseerd) omvat, gekoppeld aan met PPO getrainde controllers.

Kernarchitectuur

De agent onderhoudt een persistente bibliotheek van vaardigheden ($S_t$) die evolueert naast de zoekpopulatie ($P_t$). In tegenstelling tot traditioneel geheugen dat ruwe logs of elite-lichamen opslaat, is een vaardigheid een gestructureerd, drie-niveau record:

1. L1 (Archetype): Een compact structureel concept met een toepasbaarheidsvoorwaarde (bijvoorbeeld "portaalframe" voor dragende bogen).
2. L2 (Regels): Bewijsonderbouwde positieve regels (die de fitness neigen te verbeteren) en negatieve regels (faalmodi). Elke regel houdt een lopend gemiddelde bij van de fitnesswinst ten opzichte van de ouder.
3. L3 (Observaties): De specifieke geëvalueerde kind- en ouderlichamen, taakcontext, schaal en fitnesswinsten die de regels ondersteunen.

Operationele Lus

Het proces wisselt af tussen Ontwerpevolutie en Vaardigheidevolutie:

1. Voorstelgeneratie (Ontwerpevolutie):

   • De agent haalt relevante vaardigheden op basis van de huidige taak en schaal op.
   • Pad A (Vaardigheidsgeconditioneerd): De LLM bewerkt elite-ouderlichamen in de richting van het opgehaalde archetype, geleid door positieve/negatieve regels en eerdere observaties.
   • Pad B (Exploratie): Een standaard Genetisch Algoritme (GA) mutatiepad loopt parallel om dekking te garanderen en ongeldige uitvoer te verwerken.
   • Voorgestelde lichamen ondergaan geldigheidscontroles (connectiviteit, aanwezigheid van actuatoren) en worden in simulatie geëvalueerd.

2. Bibliotheekonderhoud (Vaardigheidevolutie):

   • TOEVOEGEN: Niet-toegewezen bewijs (morfologieën die niet overeenkomen met bestaande vaardigheden) wordt door de LLM beoordeeld om nieuwe L1-archetypen te creëren als een terugkerende structuur wordt gedetecteerd.
   • DIAGNOSE: Nieuwe observaties updaten de lopende gemiddelde winsten van bestaande regels. De LLM beslist of bewijs regels ondersteunt, tegenspreekt of nieuwe regels creëert. Negatieve regels (faalmodi) worden behandeld als volwaardige vermeldingen.
   • SAMENVATTEN: Overbodige archetypen worden geklonsterd en samengevoegd om bibliotheekopblazing te voorkomen terwijl de audittrail behouden blijft.

3. Cross-Schaal Overdracht:

   • Bij verplaatsing naar een grotere ontwerpruimte (bijvoorbeeld 5×5 $\to$ 10×10) importeert de agent de bron-vaardigheidsbibliotheek.
   • De L1- en L2-regels fungeren als priors, waardoor de zoektocht wordt geleid zonder dat ruwe voxel-upsampling vereist is. De agent gaat over van prior-geleide exploratie naar doel-gegronde verfijning naarmate nieuw bewijs wordt verzameld.

Belangrijkste Bijdragen

1. Herformulering van LLM-ontwerp: Het artikel verschuift het paradigma van het gebruik van LLM's louter als voorstelgeneratoren naar het gebruik ervan als agenten die zoekervaring omzetten in overdraagbare ontwerpskills.
2. Bewijsgegronde Vaardigheidsbibliotheek: De introductie van een zelfevoluerende bibliotheek die archetypen, regels en observaties scheidt. Deze structuur zorgt ervoor dat het geheugen abstract genoeg is om over resoluties te worden overgedragen, maar grondig genoeg om controleerbaar en bewerkbaar te zijn.
3. Empirische Validatie: Uitgebreide evaluatie over zeven EVOGYM-taken (locomotie, traverseren, objectinteractie) die aantoont dat de agent vaardigheden van nul af kan leren (cold-start) en deze succesvol kan overdragen naar grotere ontwerpruimten.

Experimentele Resultaten

Het systeem werd geëvalueerd op zeven taken: Walker, BridgeWalker, Balancer, Carrier, Climber, Jumper en Pusher.

• Cold-Start Zoeken (5×5): AUTO-ROBOTIST kwam overeen met of overtrof de prestaties van een standaard Genetisch Algoritme (GA) baseline op alle zeven taken. Het behaalde een gemiddelde 1,47× convergentiesnelheidswinst en hield een voorsprong op de GA voor 70% van het zoekbudget. De meest significante winsten werden waargenomen bij taken die complexe dragende en contacteisen stellen (Carrier, Jumper, Pusher).
• Cross-Schaal Overdracht (5×5 $\to$ 10×10): Bij het overdragen van geleerde vaardigheden naar een 10×10 ontwerpruimte, overtrof AUTO-ROBOTIST de GA-baseline op alle zeven taken.
  • Het verbeterde de eindfitness met gemiddeld +1,55.
  • Het behaalde een voorsprongsfractie van minimaal 90% op zes van de zeven taken.
  • De Carrier-taak vertoonde de grootste verbetering (+5,71 fitnesspunten), wat de waarde benadrukt van het overdragen van structurele priors voor vrachtondersteuning.
• Ablatie en Analyse:
  • Vaardigheid versus Kopiëren: Het simpelweg upsamplen van een 5×5 elite-lichaam naar 10×10 vernietigde vaak de functionaliteit. AUTO-ROBOTIST slaagde door relaties over te dragen (bijvoorbeeld "ondersteuning rond actuatoren") in plaats van ruwe geometrie.
  • Geheugencomponenten: Ablatiestudies bevestigden dat alle componenten (Diagnose, Merge, L2/L3-regels) bijdroegen aan de prestaties. Het verwijderen van het GA-mutatiepad ("Pure LLM") veroorzaakte een significante daling, wat de noodzaak van hybride exploratie aangeeft.

Betekenis en Claims

Het artikel beweert dat AUTO-ROBOTIST aantoont dat LLM-agenten dure fysieke evaluaties kunnen omzetten in herbruikbare, controleerbare ontwerpprincipes.

• Van Probeer-en-Fout naar Accumulerende Kennis: Het systeem bewijst dat zoeksporen kunnen worden gedistilleerd tot een "ontwerptheorie" die toekomstige runs verbetert, in plaats van dat ze na één optimalisatiecyclus worden weggegooid.
• Controleerbaarheid: Door het opslaan van de specifieke observaties en fitnesswinsten die een regel ondersteunen, maakt het systeem het ontwerpproces inspecteerbaar. Gebruikers kunnen een voorstel terugtraceeren naar de specifieke mislukking of succes die het motiveerde.
• Schalbaarheid: De aanpak toont aan dat structurele relaties (bijvoorbeeld "gebruik een stijf zijframe om verticale actuatoren te stabiliseren") schaal-invariant zijn, waardoor kennis die in kleine ontwerpruimten is opgedaan, effectief zoektochten in veel grotere, complexere ruimten kan sturen.

De auteurs positioneren dit werk als een onderzoeksframework voor controleerbare constructie van ontwerpgedachten, met de nadruk dat hoewel de huidige resultaten in simulatie zijn, de methodologie een weg biedt naar efficiënter en interpreteerbaar engineering in wetenschappelijke domeinen. Zij wijzen expliciet op beperkingen met betrekking tot 3D-implementatie, hardwareveiligheid en sim-naar-real overdracht, en presenteren het systeem als een prototype voor onderzoek in plaats van een hulpmiddel voor autonome hardware-implementatie.