Auttaa robotteja muistamaan

24.05.2019

Maryland-hyperdimensionaalinen-laskenta-300-t.jpgHyperdimensionaalinen putkilinja. Dynaamiseen kuva-anturin drone-lennon aikana tallentuneesta tapahtumadatasta (b) lasketaan tapahtumakuvat (c) ja 3D-liikkeen vektorit (d) ja molemmat koodataan binäärivektoreina sekä yhdistetään muistiin erityisten vektoritoimintojen kautta (e). Uuden tapahtuman (f) perusteella siihen liittyvä 3D-liike voidaan palauttaa muistista.

(24.5.2019) Robotilla ei ole muistoja vaikka fyysistä muistia olisi muuten tarpeeksi.

Marylandin yliopiston tutkijat esittelevät uuden tavan yhdistää robottien havaintokyky ja moottoritoiminnot käyttäen hyperdimensionaalista laskentateoriaa.

Integrointi on robottialan keskeisin haaste. Robotin anturit ja toimilaitteet ovat erillisiä järjestelmiä, jotka yhdistyvät toisiinsa keskitetyn oppimismekanismin kautta. Hankala kolmiosainen ohjausjärjestelmä, jossa jokainen osa toimii omalla tavallaan, on hidas tapa saada robotteja suorittamaan sensorimotorisia tehtäviä.

Robotiikan seuraava askel on robotin havaintokyvyn integrointi toimilaitemoottorin ominaisuuksiin. Tämä fuusio, joka tunnetaan nimellä "aktiivinen havaintokyky", antaisi robotille tehokkaamman ja nopeamman tavan suorittaa tehtäviä.

Tekijöiden uudessa tietojenkäsittelyteoriassa robotin käyttöjärjestelmä perustuisi hyperdimensionaalisiin binäärivektoreihin (HBV). Kyseessä on hypervektoripohjainen vaihtoehto nykyisille laskentamenetelmille.

HBV:t voivat edustaa erilaisia erillisiä asioita - esimerkiksi yhden kuvan, käsitteen, äänen tai ohjeen; sekvenssit, jotka koostuvat erillisistä asioista; ja erillisten asioiden ja sekvenssien ryhmittelyt. Ne voivat ottaa huomioon nämä kaikki tietotyypit mielekkäällä tavalla. Järjestelmässä toimintojen mahdollisuudet, anturien tulot ja muu informaatio käyttävät samaa tilaa ja kieltä ja ovat fuusioituneita, mikä luo eräänlaista muistia robotille.

Hyperimensionaalinen kehys voi kääntää minkä tahansa hetkellisen sekvenssin uudeksi HBV:ksi ja ryhmittää olemassa olevat HBV:t yhteen, kaikki samassa vektoripituudessa. Tämä on luonnollinen tapa luoda semanttisesti merkittäviä ja tietoisia "muistoja".

Käytössä lisääntyvän informaation koodaus puolestaan johtaa "historia" vektoreihin ja kykyyn muistaa. Signaalista tulee vektoreita, indeksointi kääntyy muistiksi ja oppiminen tapahtuu klusteroitumalla.

Robotin muistot siitä, mitä se on tunnistanut antureillaan ja tehnyt aikaisemmin, voi johtaa siihen, että se odottaa tulevaa näkemystä ja vaikuttaa sen tuleviin toimiin. Tämä aktiivinen käsitys mahdollistaisi robotin itsenäisyyden ja parempiin valmiuksiin toteuttaa tehtäviä.

Marylandin tutkimuksen sovellukset voivat ulottua paljon robottitekniikan ulkopuolelle. Lopullisena tavoitteena on pystyä tekemään itsensä tekoälyn pohjimmiltaan eri tavalla: käsitteistä signaaleihin ja kielelle.

Hyperdimensionaalinen laskenta voisi tarjota nopeamman ja tehokkaamman vaihtoehtoisen mallin iteratiivisille hermoverkoille ja syvän oppimisen AI-menetelmille, joita tällä hetkellä käytetään tietojenkäsittelysovelluksissa, kuten datan louhinnassa, visuaalisessa tunnistamisessa ja kuvien kääntämisessä tekstiksi.

"Neuroverkkopohjaiset AI-menetelmät ovat suuria ja hitaita, koska ne eivät voi muistaa. Meidän hyperulottuvainen teoreettinen menetelmä voi luoda muistoja, jolloin vaaditaan paljon vähemmän laskentaa ja tehtävien pitäisi sujua paljon nopeammin ja tehokkaammin," toteavat tutkijat yliopistonsa tiedotteessa.

Aiheesta aiemmin:

Sulautettua tekoälyä

Älyä robotiikkaan

23.01.2020Kiertymä muokkaa kaistaeroa
22.01.2020Yleismuistin virstanpylväs
21.01.2020Ensimmäinen antiferromagneettinen topologinen kvanttimateriaali
20.01.2020Nanoantenneja tiedonsiirtoon
17.01.2020Muisteja erittäin kylmään laskentaan
16.01.2020Laskentaa molekyyleillä
16.01.2020Konenäölle nyt myös konesilmät
14.01.2020Piin kvanttibiteillä uusiin ulottuvuuksiin
13.01.2020Uusi menetelmä kestäville GaN-transistoreille
10.01.2020Hiukkaskiihdytin mikropiirille

Siirry arkistoon »