From Digital to Physical Reservoir Computing: Co-Optimizing Soft Robotic Reservoirs via Dynamics Matching

想象一下，你拥有一个超级聪明的数字大脑，它能学习预测未来或识别模式，但它非常笨重、缓慢，而且极其耗电。现在，想象一下你可以把这个数字大脑换成一个柔软、扭动着的物理对象——比如一个软体机器人手臂或一只水母——它们能够自然地运动并对环境做出反应。这就是**物理储备池计算（Physical Reservoir Computing）**的世界。与其在计算机上模拟一个大脑，科学家们直接利用软体机器人的真实物理特性来进行繁重的计算工作。机器人的自然摆动和弯曲充当了一个“储备池”（memory/reservoir），将简单的输入转化为丰富的、复杂的模式，从而让简单的计算机也能轻松读取。现在的关键问题是：我们能直接从货架上拿走任何一个软体机器人并使用它吗，还是我们需要先对其进行调优？通常情况下，人们只是“照原样”使用机器人，寄希望于其自然的混沌状态已经足够好。但本论文提出了一个大胆的问题：我们能否在开启机器人之前，就通过“预训练”使其表现得完全像一个超智能的数字大脑？

这篇论文的作者们来自代尔夫特理工大学、麻省理工学院和米兰理工大学。他们指出，仅仅“照原样”使用软体机器人并不是最佳方案。他们发现，通过**协同优化（co-optimizing）**机器人的物理形状、控制系统以及一个特殊的转换映射，我们可以让一个模拟的软体机器人几乎完美地模仿高性能数字大脑的行为。你可以这样理解：如果说数字储备池是一位演奏复杂乐曲的大师钢琴家，那么标准的软体机器人就像是一个在琴键上乱敲的小孩。研究人员不仅是告诉这个小孩要更努力一点，他们还重新塑造了小孩的手部形状，给了他一套新的指令，并构建了一个翻译器，使得小孩乱敲的声音听起来完全就像那位大师演奏的乐曲一样。

以下是他们的实现方式及发现。

问题：“照原样”的机器人 vs. 数字梦想

在储备池计算的世界里，你有一个固定的、非线性的系统（即储备池），它接收数据并将其扩展到高维状态。在数字计算机中，你可以完美地设计这个系统。但在物理机器人中，“储备池”就是机器人自身的身体。问题在于？物理机器人通常是杂乱无章的。它们的自然运动可能并不是进行计算时最理想的那种“杂乱”。

通常，研究人员会拿出一个软体机器人，把它连接到计算机上，然后听天由命。他们将机器人的身体视为一个固定且不可改变的对象。作者认为这是一种机会的流失。他们想知道：我们能否调整机器人的身体及其控制器，使其匹配一个特定的、高性能的数字大脑？

解决方案：“数字孪生”训练

团队创建了一种训练方法，其中一个“数字参考”（一个非常优秀的数字大脑）充当老师，而“物理储备池”（一个模拟的软体机器人）充当学生。

1. 老师： 他们使用了一个名为**随机振荡器网络（Random Oscillators Network, RON）**的数字模型。想象许多弹簧和权重连接在一起，进行着复杂而混沌的舞蹈。这种数字舞蹈非常擅长记忆过去的输入并预测未来。
2. 学生： 他们使用了一个由“分段恒定应变”（Piecewise Constant Strain）段组成的模拟软体机器人——本质上是一个灵活手臂的数字模型，它会像真实的机械臂一样弯曲和扭转。
3. 神奇的纽带： 他们并没有仅仅要求机器人去复制老师的“答案”。他们要求机器人去复制老师在加速度层面的“运动”。他们构建了一个特殊的“翻译器”（数学映射），将数字大脑的坐标转换为机器人的物理坐标。
4. 优化过程： 利用一台功能强大的计算机，他们同时调整了三件事：
   • 机器人的物理参数（它的硬度或重量如何）。
   • 控制器（机器人如何响应输入进行运动）。
   • 翻译器映射（如何在数字语言与物理语言之间进行交流）。

他们通过最小化数字老师的加速度与物理学生之间的“误差”来完成这一过程。至关重要的是，他们并没有在运行机器人执行每一项任务之前先进行这些操作。他们只是匹配了运动的物理特性。

结果：一个像数字大脑一样思考的软体机器人

团队在计算机模拟中测试了这一方法（尚未在真实硬件上进行测试），使用了四种不同的任务：

• sMNIST： 识别序列中的手写数字。
• ADIAC： 分类时间序列数据。
• Mackey-Glass & Lorenz96： 预测类似天气的混沌时间序列。

他们测试了不同尺寸的机器人（储备池维度分别为 6, 9, 12, 和 15）。

重大胜利：
当他们将“协同优化”后的机器人与标准的“照原样”机器人进行比较时，优化后的机器人成为了巨大的赢家。

• 在所有任务和尺寸下，优化后的储备池相比未优化的机器人，平均相对提升了 33.7%。
• 就匹配数字老师的运动而言，优化机器人的物理形状（形态学）是关键。如果保持机器人的形状固定而仅调整控制器，误差会大得多。全方位优化（同时改变形状和控制器）大幅降低了误差：sMNIST 降低了 90.2%，ADIAC 降低了 61.6%，Mackey-Glass 降低了 77.1%，Lorenz96 降低了 86.4%。
• 优化后的机器人保留了原始数字大脑 90.9% 的性能。

注意事项（以及信心来源）：
需要注意的是，这些结果都是模拟结果。这些“机器人”仅存在于代码中。作者明确表示，这只是一个“概念验证”。他们还没有制造出真实的物理机器人并在现实世界中进行测试。

• 他们使用了较小的储备池（维度为 6 到 15），因为模拟更大、更复杂的机器人计算成本极高。
• 他们发现，随着储备池变得越来越大，要完美匹配数字大脑变得越来越困难，但优化后的机器人仍然显著优于未优化的机器人。
• 他们明确排除了“只需使用一个随机的软体机器人就能获得出色结果”的想法；“照原样”的方法始终表现较差。

为什么这很重要

这篇论文表明，我们不必接受物理机器人自然形状带来的局限性。与其仅仅寄希望于一个软体机器人是否“足够好”，我们可以通过数学手段将其设计成特定类型计算的完美搭档。

作者总结道，虽然他们的方法在模拟中表现出色，但下一步是观察它是否能在真实的、摇晃的、充满噪声的硬件上发挥作用。他们还指出，为了使这项技术真正实用，我们需要解决如何处理现实中的机器人无法成为数字模型完美副本的问题。但就目前而言，他们已经证明，通过正确的“预训练”，一个软体机器人可以被引导得几乎像超智能数字大脑一样思考，这为更快、更高效且更具具身智能（embodied AI）的未来打开了大门。