Das „menschenähnliche“ Gehirn hilft dem Roboter, aus dem Labyrinth herauszukommen

Maschinelles Lernen und neuronale Netze waren in den letzten Jahren sehr beliebt, und das ist angesichts ihrer vielen Erfolge in den Bereichen Bilderkennung, medizinische Diagnostik, E-Commerce und vielem mehr völlig verständlich. Dieser softwarebasierte KI-Ansatz hat jedoch seine Nachteile, insbesondere weil er sehr aufwendig ist

Nachahmung des menschlichen Gehirns

Dieses Energieproblem ist ein Grund, warum Forscher versuchen, energieeffizientere Computer zu entwickeln. Und um eine Lösung zu finden, lässt er sich vom menschlichen Verstand inspirieren, einer Denkmaschine, die in ihrem geringen Stromverbrauch aufgrund der Art und Weise, wie sie Speicher und Verarbeitung kombiniert, ihresgleichen sucht.

Neuronen in unserem Gehirn kommunizieren miteinander über sogenannte Synapsen, die jedes Mal verstärkt werden, wenn Informationen übertragen werden. Es ist diese Plastizität, die dafür sorgt, dass Menschen sich erinnern und lernen.

„In unserer Forschung haben wir anhand dieses Modells einen Roboter entwickelt, der lernen kann, sich durch ein Labyrinth zu bewegen“, sagt Imke Krauhausen, Doktorandin am Fachbereich Maschinenbau der TU/e ​​und Erstautorin der Forschungsarbeit.

“So wie die Synapsen im Gehirn einer Ratte jedes Mal gestärkt werden, wenn sie durch das Labyrinth eines Psychiaters nach rechts abbiegen, wird unser Gerät durch Anlegen einer bestimmten Menge an Elektrizität “abgestimmt”. Indem Sie den Widerstand im Gerät anpassen, ändern Sie die Spannung steuert die Motoren, die wiederum bestimmen, ob der Roboter rechts oder links dreht. »

Wie funktioniert es?

Der Roboter, den Krauhausen und Kollegen in ihrer Forschung verwendeten, ist der Mindstorms EV³, ein Roboterset von Lego. Ausgestattet mit zwei Rädern, der traditionellen Führungssoftware, um sicherzustellen, dass es einer Linie folgen kann, einer Reihe von Reflexzonen- und Berührungssensoren, die in 2 Metern gesendet werden² Ein großes Labyrinth aus Sechsecken mit einem schwarzen Wabenrand.

Der Roboter ist standardmäßig so programmiert, dass er nach rechts abbiegt. Wenn es eine Sackgasse erreicht oder vom markierten Weg zum Ausgang abweicht (angezeigt durch visuelle Hinweise), muss es umkehren oder nach links abbiegen. Dieser Korrekturreiz wird dann im Nervensystem für die nächste Anstrengung gespeichert.

„Am Ende brauchte unser Roboter 16 Durchgänge, um den Ausgang erfolgreich zu finden“, sagt Krauhausen. „Und was noch wichtiger ist, sobald er gelernt hat, diesen bestimmten Weg zu gehen (Zielspur 1)Er kann jeden anderen Weg, der ihm gegeben wird, sofort navigieren (Zielspur 2). Somit ist das erworbene Wissen verallgemeinerbar. »

Ein Teil des Erfolgs der Fähigkeit des Roboters, zu lernen und aus einem Labyrinth herauszukommen, liegt laut Krauhausen, der für diese Forschung eng mit dem Max-Planck-Institut für Polymerforschung in Mainz zusammengearbeitet hat, in der einzigartigen Integration zwischen Sensoren und Aktoren. „Diese sensorische Integration, bei der sich Bedeutung und Bewegung gegenseitig verstärken, ist auch sehr nah an der Funktionsweise der Natur, also haben wir versucht, dies in unserem Roboter nachzuahmen.“

intelligente Polymere

Eine weitere clevere Sache in der Forschung ist die organische Substanz, die in dem nervösen Roboter verwendet wird. Dieses Polymer (mit dem Namen p(g2T-TT)) ist nicht nur stabil, sondern kann auch einen großen Teil der spezifischen Zustände „halten“, in die es während der verschiedenen Passagen im Labyrinth versetzt wird. Dadurch wird sichergestellt, dass das erlernte Verhalten “haftet”, so wie sich Neuronen und Synapsen im menschlichen Gehirn Ereignisse oder Handlungen merken.

Paschalis Gkoupidenis vom Max-Planck-Institut für Polymerforschung in Mainz und Yoweri van de Burgh TU/e, beide Co-Autoren des Artikels, haben im Bereich des Neural Computing Polymer anstelle von Silizium verwendet.

In ihrer Forschung (aus den Jahren 2015 und 2017) zeigten sie, dass sich das Material auf einen viel breiteren Lieferbereich einstellen kann als anorganische Materialien und auch in der Lage ist, erworbene Zustände für längere Zeit zu „erinnern“ oder zu speichern. Seitdem sind organische Geräte zu einem heißen Thema im Bereich der gerätebasierten künstlichen neuronalen Netze geworden.

elektronische Hände

Polymermaterialien haben auch den zusätzlichen Vorteil, dass sie zur Verwendung in vielen biomedizinischen Anwendungen geeignet sind. Aufgrund ihrer organischen Natur können diese Smart Devices prinzipiell mit echten Neuronen kombiniert werden. Angenommen, Sie haben Ihren Arm aufgrund einer Verletzung verloren. Sie können diese Geräte dann verwenden, um Ihren Körper an einer bionischen Hand zu befestigen.”

Eine weitere vielversprechende Anwendung des Organic Neural Computing sind sogenannte Edge-Computing-Geräte, bei denen Sensordaten lokal außerhalb der Cloud verarbeitet werden. Van de Burgt: “Hier sehe ich die Entwicklung unserer Geräte in der Zukunft. Unsere Materialien werden sehr nützlich sein, weil sie einfach einzustellen sind, viel weniger Energie verbrauchen und kostengünstig in der Herstellung sind.”

Werden neural geformte Bots also in der Lage sein, ein Fußballspiel zu spielen, genau wie die Fußball-Bots in TU/e?

Krauhausen: „Grundsätzlich ist das sicherlich möglich. Aber es ist noch ein langer Weg. Unsere Roboter sind teilweise noch auf traditionelle Software angewiesen, um sich fortzubewegen. Damit neuromorphe Roboter wirklich komplexe Aufgaben erfüllen können, müssen wir neuronale Netze bauen, wo viele.“ Geräte laufen, gemeinsam in einem Netzwerk.Daran werde ich in der nächsten Phase meiner Doktorarbeit arbeiten.

Ein menschenähnliches Gehirn hilft einem Roboter aus einem Labyrinth: https://www.youtube.com/watch?