Cognitive evolution enables de novo design of untethered millimeter-scale robots
Dit artikel introduceert EvoAgent, een large-language-model agent die cognitieve evolutie gebruikt om complexe ontwerpbeperkingen te overwinnen, waarbij succesvol een hoogwaardige, onafhankelijke 10-mm robot is gecreëerd met een significant verbeterde stuwkracht en operationele robuustheid vergeleken met traditionele genetische algoritme-baselines.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Kleine machines die uit zichzelf kunnen bewegen zonder aan een energiebron te zijn gekoppeld, bieden de belofte om plaatsen te verkennen die te klein of te gevaarlijk zijn voor mensen. Stel je een apparaat voor ter grootte van een korrel rijst dat door een gebarsten pijp kan kruipen om een lek te vinden of door het menselijk lichaam kan navigeren om medicijnen toe te dienen. De uitdaging is echter dat op deze minuscule schaal elk onderdeel van de machine in een ruimte moet passen die niet groter is dan enkele millimeters. De batterij, de motor en de poten moeten al deze krappe ruimte delen, en het veranderen van één onderdeel brengt vaak de problemen van een ander onderdeel met zich mee. Als de motor iets groter wordt gemaakt om meer vermogen te produceren, blijft er misschien geen ruimte over voor de batterij, of het kan het evenwicht van de machine verstoren waardoor deze niet kan lopen. Het ontwerpen van deze robots vereist meestal een moeilijke evenwichtsoefening waarbij ingenieurs proberen de juiste combinatie van onderdelen te raden, waarbij ze vaak vertrouwen op vallen en opstaan, wat veel tijd en vele mislukte pogingen kan kosten.
Een team van onderzoekers aan de Beihang Universiteit en andere instellingen heeft een nieuwe manier ontwikkeld om dit puzzelstuk op te lossen met behulp van een type kunstmatige intelligentie dat denkt als een ingenieur. Ze hebben een systeem ontwikkeld dat ze EvoAgent noemen, dat fungeert als een digitale ontwerper die leert van zijn eigen fouten en successen. In plaats van alleen maar willekeurig verschillende vormen te proberen en te hopen dat er één werkt, gebruikt dit systeem een groot taalmodel om de fysica achter het ontwerp te begrijpen. Voordat de computer zelfs maar een simulatie uitvoert om te zien of een robot kan bewegen, stelt EvoAgent een nieuw ontwerp voor en legt de fysieke redenen voor zijn keuzes uit. Het houdt rekening met waarom een eerder ontwerp faalde, zoals een draad die te dik was of een opening die te klein was, en gebruikt die kennis om een betere versie voor te stellen. Dit proces creëert een "stamboom" van ontwerpen waarbij de lessen die van de ene generatie naar de volgende worden doorgegeven, waardoor het systeem een werkende robot veel sneller kan laten evolueren dan traditionele methoden.
De onderzoekers testten deze aanpak door te proberen twee cruciale onderdelen van een millimeter-schaal robot te ontwerpen: de elektromagnetische motor die de kracht levert, en de beenstructuur die die kracht omzet in beweging. Ze vergeleken hun nieuwe AI-gestuurde methode met oudere, standaardtechnieken die vertrouwen op willekeurige variaties, vergelijkbaar met hoe natuurlijke selectie in de biologie werkt. De resultaten lieten zien dat de AI-methode veel efficiënter was. Het vond een motordesign dat meer dan twee keer de duwkracht produceerde van het beste ontwerp dat door de oudere methoden werd gevonden, terwijl het dezelfde hoeveelheid ruimte gebruikte. Toen de onderzoekers de robot bouwden op basis van het AI-ontwerp, bleek deze opmerkelijk capabel te zijn. De uiteindelijke machine, die slechts 10 millimeter lang is en slechts één gram weegt, kon bewegen met een snelheid van 6,5 lichaamslengtes per seconde. Het was ook veel betrouwbaarder; het bewoog succesvol onder dertig verschillende combinaties van elektrische stroom en trillingsfrequentie, terwijl de robot die door de oudere methode was ontworpen alleen onder tien omstandigheden werkte.
Wat deze prestatie zo belangrijk maakt, is niet alleen de snelheid van de robot, maar hoe het ontwerp tot stand is gekomen. Het AI-systeem slaagde erin om door het complexe web van beperkingen te navigeren die menselijke ontwerpers gewoonlijk gevangen houden. Het leerde dat bepaalde veranderingen, zoals het verhogen van het aantal wikkelingen van de draad in de motor, de kracht zouden vergroten maar ook het gewicht zouden verhogen, en het ontdekte hoe het deze afwegingen kon balanceren zonder elke enkele mogelijkheid te hoeven testen. Het systeem legde zijn bevindingen vast en veranderde specifieke mislukkingen in algemene regels die het op toekomstige ontwerpen kon toepassen. Zo leerde het bepaalde vormen te vermijden die ervoor zorgden dat de robot het contact met de grond verloor. Dit vermogen om te leren van fysieke feedback en die lessen toe te passen op nieuwe problemen suggereert een nieuwe manier om machines te bouwen. De onderzoekers bouwden de robot, testten hem en bevestigden dat de prestaties voorspeld door de computersimulaties overeenkwamen met de resultaten in de echte wereld. De robot kon niet alleen vooruit bewegen, maar ook scherp draaien en een last dragen die meer dan vijf keer zijn eigen gewicht is.
Dit werk demonstreert dat kunstmatige intelligentie meer kan dan alleen getallen optimaliseren; het kan de fysieke wereld begrijpen genoeg om nieuwe machines uit te vinden. Door het ontwerpproces te behandelen als een gesprek waarbij de computer leert van zijn eigen geschiedenis, waren de onderzoekers in staat om een robot te creëren die werkt met een ruime marge van veiligheid en prestatie. Het vermogen van de robot om te functioneren binnen een breed scala aan omstandigheden betekent dat het waarschijnlijker is dat hij slaagt in de onvoorspelbare omgevingen waar dergelijke machines nodig zijn. Hoewel de studie zich richtte op een specifiek type robot, zou de methode die gebruikt is voor het ontwerpen ervan toegepast kunnen worden op andere complexe systemen waar onderdelen nauw samen moeten werken in kleine ruimtes. Het succes van dit project suggereert dat de toekomst van de robotica niet alleen gaat over het bouwen van kleinere machines, maar over het leren aan computers hoe ze moeten denken als de ingenieurs die hen bouwen, waarbij ze leren van elke stap in het proces om ontwerpen te creëren die zowel innovatief als praktisch zijn.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.