研究人員使用動力學系統和機器學習來增加AI的自發性

強烈要求機器人具有自主功能，例如自發性。自主機器人的許多控制機制都受到包括人類在內的動物功能的啟發。機器人專家通常使用預定義的模塊和控制方法來設計機器人行為，這使其成為特定于任務的對象，從而限制了它們的靈活性。研究人員提供了另一種基于機器學習的方法，通過利用復雜的時間模式(例如動物大腦的神經活動)來設計自發行為。他們希望看到他們的設計在機器人平臺上實現，以提高其自主能力。

機器人及其控制軟件可以分類為動力系統，這是描述事物內部狀態不斷變化的數學模型。有一類動力系統這種稱為高維混沌的方法吸引了許多研究人員，因為它是對動物大腦進行建模的有效方法。然而，由于系統參數的復雜性及其對變化的初始條件的敏感性，通常很難獲得對高維混沌的控制，這種現象被術語“蝴蝶效應”所普及。東京大學智能系統與信息學實驗室和下一代人工智能研究中心的研究人員探索了利用高維混沌動力學實現類人認知功能的新穎方法。

博士生Kasuma Inoue說：“高維混沌的一個方面叫做混沌迭代(CI)，它可以解釋記憶記憶和聯想過程中的大腦活動。” “在機器人技術中，CI一直是實現自發行為模式的關鍵工具。在這項研究中，我們提出了僅通過使用高維混沌生成的復雜時間序列模式以簡單而系統的方式實施CI的方法。該方法在設計認知體系結構方面具有更強大和更通用的應用程序的潛力。它使我們能夠設計自發行為，而無需在控制器中使用任何預定義的顯式結構，否則將成為障礙。

儲層計算(RC)是一種基于動態系統理論的機器學習技術，并為團隊的方法提供了基礎。RC用于控制一種稱為遞歸神經網絡(RNN)的神經網絡。與其他用于調整神經網絡中所有神經連接的機器學習方法不同，RC僅調整一些參數，同時使RNN的所有其他連接保持固定，從而可以更快地訓練系統。當研究人員將RC原理應用于混亂的RNN時，它表現出了他們希望的自發行為模式。一段時間以來，這已被證明是機器人技術和人工智能領域的一項艱巨任務。此外，對網絡的培訓是在執行之前并在短時間內進行的。

“動物大腦在其活動中會產生高維混沌，但尚無法解釋它們如何以及為何利用混沌。我們提出的模型可以提供洞見，以了解混沌如何促進大腦中的信息處理，”中島晃平副教授說。“此外，我們的配方將在神經科學領域之外產生更廣泛的影響，因為它也有可能被應用到其他混沌系統中。例如，受生物神經元啟發的下一代神經形態設備可能會表現出高維混沌，將是極好的候選者希望能在不久的將來看到人為地實現大腦功能。”