Die Modellierung der Fortbewegung vorantreiben

      -      English  -  Deutsch   -  Français  -  Italiano
Die Modellierung der Fortbewegung vorantreiben

Wissenschaftler der EPFL haben ein neuronales Netzwerksystem entwickelt, das sowohl zu einem besseren Verständnis der Art und Weise führen kann, wie Tiere ihre Bewegungen an Veränderungen in ihrem eigenen Körper anpassen, als auch leistungsfähigere Systeme künstlicher Intelligenz schaffen kann.

Das tiefe Lernen wurde durch künstliche neuronale Netze angetrieben, die einfache Rechenelemente übereinander stapeln, um leistungsfähige Lernsysteme zu schaffen. Wenn sie über genügend Daten verfügen, können diese Systeme schwierige Aufgaben lösen, z. B. Objekte erkennen, Menschen im Go-Spiel besiegen und Roboter steuern. "Wie Sie sich vorstellen können, kann die Art und Weise, wie Sie diese Elemente übereinander stapeln, die Menge an Daten, die Sie lernen müssen, und die Höchstleistungen, die Sie erreichen können, beeinflussen", sagt Alexander Mathis, Professor an der Fakultät für Biowissenschaften der EPFL.

In Zusammenarbeit mit den Doktoranden Alberto Chiappa und Alessandro Marin Vargas hat der Wissenschaftler eine neue Netzwerkarchitektur namens DMAP (Distributed Morphological Attention Policy) entwickelt. Sie beinhaltet die Grundprinzipien der biologischen sensomotorischen Kontrolle und ist daher ein interessantes Werkzeug zur Untersuchung der sensomotorischen Funktion.

Das Problem, das DMAP zu lösen versucht, ist folgendes: Tiere und auch Menschen haben sich so entwickelt, dass sie sich an Veränderungen ihrer Umwelt und ihres eigenen Körpers anpassen können. Ein Kind kann beispielsweise seine Fähigkeit, effizient zu gehen, an die Veränderungen der Körperform und des Körpergewichts von der Kindheit bis zum Erwachsenenalter anpassen - und das auf verschiedenen Oberflächen. Bei der Entwicklung von DMAP untersuchte das Team, wie ein Tier das Laufen lernen kann, wenn sein Körper diesen "morphologischen Störungen" - Veränderungen der Länge und Dicke von Körperteilen - ausgesetzt ist.

"Beim Verstärkungslernen werden sogenannte vollständig verbundene neuronale Netze verwendet, um motorische Fähigkeiten zu erlernen", erklärt Alexander Mathis. Beim Verstärkungslernen handelt es sich um eine Trainingsmethode durch maschinelles Lernen, bei der erwünschtes Verhalten "belohnt" und/oder unerwünschtes Verhalten "bestraft" wird.

Er fährt fort: "Stellen Sie sich vor, Sie haben Sensoren, die Ihre Körperform auswerten, z. B. die Winkel Ihres Handgelenks, Ihres Ellbogens oder Ihrer Schulter. Die Signale dieser Sensoren sind der Input für das motorische System. Der Output stellt die Muskelaktivierungen dar, die Drehmomente erzeugen. Wenn man vollständig verbundene Netzwerke verwendet, dann sind zum Beispiel alle Sensoren des Körpers in der ersten Schicht integriert. In der Biologie hingegen werden die sensorischen Informationen hierarchisch kombiniert".

"Wir haben die Prinzipien der Neurowissenschaften aufgegriffen und sie auf ein neuronales Netzwerk angewendet, um ein besseres sensomotorisches System zu entwerfen", erklärt Alberto Chiappa. In ihrem Artikel, der auf der 36. Jahreskonferenz über neuronale Informationsverarbeitungssysteme (NeurIPS) veröffentlicht wurde, stellen die Forscher die DMAP vor, die "eine unabhängige propriozeptive Verarbeitung, eine Verteilungsmethode mit individuellen Controllern für jedes Gelenk und einen Aufmerksamkeitsmechanismus kombiniert, um sensorische Informationen aus verschiedenen Körperteilen dynamisch an verschiedene Controller weiterzuleiten".

DMAP konnte lernen, mit einem Körper zu "gehen", der morphologischen Störungen ausgesetzt ist, ohne Informationen über morphologische Parameter wie die spezifische Länge und Breite der Gliedmaßen zu erhalten. Das Modell kann genauso gut "laufen" wie ein System, das Zugang zu diesen Körperparametern hat.

"Wir haben also mithilfe unserer Kenntnisse der Anatomie ein System zum Lernen durch Verstärkung geschaffen", erläutert Alberto Chiappa. "Nachdem wir das Modell trainiert hatten, stellten wir fest, dass es eine dynamische Auslösung zeigte, die an die Vorgänge im Rückenmark erinnerte, aber seltsamerweise trat dieses Verhalten spontan auf."

Insgesamt erfüllen Modelle wie DMAP zwei Aufgaben: die Entwicklung besserer Systeme für künstliche Intelligenz, die auf biologischen Erkenntnissen beruhen, und umgekehrt die Schaffung besserer Modelle, um das Gehirn besser zu verstehen.

NeurIPS ist eine der wichtigsten Konferenzen zum Thema maschinelles Lernen. Viele andere Labore der EPFL stellen hier ihre neuesten Arbeiten vor.

Referenzen

Alberto Silvio Chiappa, Alessandro Marin Vargas, Alexander Mathis. DMAP: a Distributed Morphological Attention Policy for Learning to Locomote with a Changing Body. NeurIPS Dezember 2022. DOI: 10.48550/arXiv.2209.14218.