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

13.09.2019Tehokkaampaa sähköpolttoaineiden tuotantoa
12.09.2019Ensimmäinen monimutkainen kvanttiteleportaatio
11.09.2019Energian talteenottoa piipiiriltä
10.09.2019Uudenlainen pinnoite litium-metalli akuille
09.09.2019Uusi eristetekniikka pienemmille siruille
06.09.2019Hiilinanoputkia ja grafeenia
05.09.2019Nikkelioksidistako suprajohde?
04.09.2019Metamateriaaleja ja magnoniikkaa
03.09.2019Gallium-oksidi tehotransistoreita ennätysarvoilla
02.09.2019Muutos magneetissa itsessään
30.08.2019Transistori pellavalangasta
29.08.2019Robotti ottaa ajotarkkuuden hallintaansa
28.08.2019Enemmän irti MEMS-tekniikasta
27.08.2019Ensimmäinen havainto eksitonisesta eristeestä
26.08.2019Opto-elektroninen siru jäljittelee hermosoluja
23.08.2019Valoa vangiten ja suunnaten
22.08.2019Navigoi ja paikallista kuin pöllö
21.08.2019Uusia puolijohteita tehoelektroniikkaan
20.08.2019Biohajoavia mikroresonaattoreita
19.08.2019Uutta tekniikkaa aurinkosähkölle
16.08.2019E-tekstiilejä ja metamateriaaleja
15.08.2019Valoa nanopiireille
14.08.2019Tehokkaampia kvanttiantureita
13.08.2019Tsunami mikropiirillä
12.08.2019Tekniikkaa kuudennen sukupolven verkoille
09.08.2019Kvanttimikrofonista kvanttitietokoneeseen
08.08.2019Paksummat OLEDit parantavat näyttötekniikkaa
07.08.2019Älylasi, joka ei tarvitse sähköä
06.08.2019Sähköä ruosteen avulla
05.08.2019Erittäin ohuita transistoreita
01.08.2019Spinvirta välittää käyttövoimaa
26.07.2019Dramaattista lisäystä aurinkokennoihin
19.07.2019Luminenssilamput kehittyvät
12.07.2019Atomista audiotallennusta
04.07.2019Valosähköisiä nanoputkia
03.07.2019Informaation teleporttausta timantissa
02.07.2019Orgaanisia katodeja tehokkaille akuille
28.06.2019Spintroniikkaa ja muistitekniikkaa
27.06.2019Edistysaskeleita kvanttitietotekniikalle
26.06.2019Oksidimateriaalit kaupallistuvat
25.06.2019Lasertekniikalla grafeenia hyötykäyttöön
24.06.2019Ionitekniikkaa kondensaattoreihin
20.06.2019Tehokkaampia tehopiiritekniikoita
19.06.2019Uutta tekniikkaa 2D-materiaalin venytyksellä
18.06.2019Bioparisto IoDT-sovelluksille
17.06.2019Uusia ovia nanofotoniikan maailmaan
14.06.2019Biologian avulla sähkö varastoon ja hiili kiertoon
13.06.2019Orgaaniset laserdiodit unelmasta todellisuuteen
12.06.2019Uusia ominaisuuksia elektroniikalle
11.06.2019Uusi laite pakkaa enemmän valokuituun
10.06.2019Tutkijat yrittävät luoda ihmisen kaltaista koneajattelua
07.06.2019Vaihtoehtoja elektroniikan vauhdittamiseen
06.06.2019Hiiliseostus muuttaa puolijohtavaa 2D-materiaalia
05.06.2019Hämähäkin aisteja autonomisille koneille
04.06.2019Elektronin geometria määritelty
03.06.2019Fyysikot löytäneet uudenlaisia spin-aaltoja
30.05.2019Pesunkestävää kangaselektroniikkaa
29.05.2019Uusia ratkaisuja kaoottisille värähtelypiireille
27.05.2019Magneettista oppimista tietojenkäsittelyyn
24.05.2019Auttaa robotteja muistamaan
23.05.2019Ultrapuhdas valmistustapa 2D-transistoreille
22.05.2019Erittäin nopeita magneettisia muisteja
21.05.2019Happea akkujen kehitykseen
20.05.2019Neulanreiät hologrammeja tuottamaan
17.05.2019Lasketaan nopeammin kvasihiukkasilla
16.05.2019Kondensaattoreita tulostamalla
15.05.2019Kvanttitietotekniikkaa grafeenin ja piin avulla
14.05.2019Suurtaajuussiirto tehostuu grafeenilla
13.05.2019Aivomaista tietotekniikkaa
11.05.2019Kvanttitason mittauksia
09.05.2019Tehokkaampia muistimateriaaleja
08.05.2019Lämpösähköä spinien tasolta
07.05.2019Suurin ja nopein optinen kytkinpiiri
06.05.2019Tehokkaita lämpöjohteita nanoelektroniikalle
03.05.2019Monenlaista ledien värien hallintaa
02.05.2019Staattinen negatiivinen kondensaattori
30.04.2019Kompaktia pitkäaaltoista viestintää
29.04.2019Nanoklustereista puolijohteita
26.04.2019Uudenlainen spintransistori
25.04.2019Aurinkoa seuraten
24.04.2019Kvanttimateriaali aivojen kaveriksi
23.04.2019Uusia rakenteita Litium-ioni akuille
18.04.2019Spinaaltoja nanoelektroniikkaan
17.04.2019Huonelämpötilassa toimivia keinotekoisia atomeja
16.04.2019Uusi ihmemateriaali: yksittäisiä 2D-fosforeeninauhoja
15.04.2019Eksoottisia kvanttivaikutuksia
12.04.2019Fononeja suunnaten ja laseroiden
11.04.2019Kuparipohjainen vaihtoehto kullalle
09.04.2019Vanhassa vara parempi
08.04.2019Mainostilan esittely
08.04.2019Tehokkaita ledejä nanolangasta
05.04.2019Nanogeneraattori kankaalle 3D-tulostuksella
03.04.2019Topologiaa valoaalloille
02.04.2019Kolme mittausta yhdellä selluanturilla
01.04.2019Monipuolisia orgaanisia transistoreita
29.03.2019Kvanttisimulointia valolla
28.03.2019Sähköä syöviä mikrobeja
27.03.2019Proteiini tarjoaa vaihtoehtoja ionijohteille
26.03.2019Metamateriaali ratkoo yhtälöitä
25.03.2019Molekyylimoottorit toimivat yhdessä

Näytä lisää »