Gli algoritmi evolutivi (EA) sono progettati per replicare il comportamento e l'evoluzione degli organismi biologici durante la risoluzione dei problemi di calcolo. Negli ultimi anni, molti ricercatori hanno sviluppato EA e li hanno utilizzati per affrontare una serie di attività di ottimizzazione.

Studi precedenti hanno anche esplorato l'uso di questi algoritmi per l'apprendimento della topologia e dei pesi di connessione delle reti neurali che alimentano robot o agenti virtuali. Quando applicato in questo contesto, Gli EA potrebbero avere numerosi vantaggi, ad esempio migliorando le prestazioni degli agenti di intelligenza artificiale (AI) e migliorando la nostra attuale comprensione dei sistemi biologici.

Finora, però, le applicazioni della robotica evolutiva del mondo reale sono state scarse, con pochissimi studi che riescono a produrre comportamenti complessi utilizzando gli EA. I ricercatori della Nottingham Trent University e del Max Planck Institute of Mathematics in the Sciences hanno recentemente sviluppato un nuovo approccio per evolvere le reti neurali con una crescita lineare sostenuta nella complessità del loro comportamento.

"Se vogliamo una crescita lineare sostenuta della complessità durante l'evoluzione, dobbiamo garantire che le proprietà dell'ambiente in cui avviene l'evoluzione, compresa la struttura della popolazione e le proprietà delle reti neurali che sono rilevanti per gli operatori di mutazione applicati, rimanere in media costante nel tempo evolutivo, " hanno spiegato i ricercatori nel loro articolo. "Il congelamento delle vecchie strutture di rete è un metodo che aiuta a raggiungere questo obiettivo, ma come dimostreranno le indagini qui presentate, non è sufficiente da solo e nemmeno il principale contributore al raggiungimento dell'obiettivo."

Nel loro studio, i ricercatori si sono concentrati su un compito in cui un agente robotico deve seguire una traiettoria predefinita su un piano 2D infinito il più a lungo possibile, a cui si riferiscono come "attività che segue la traiettoria". Nella loro versione di questo compito, l'agente non ha ricevuto alcuna informazione tramite i suoi sensori su dove dovrebbe essere localizzato. Se è troppo lontano dalla traiettoria, però, l'agente "muore". In tale contesto, l'evoluzione dovrebbe consentire all'agente di adattarsi a questo compito e imparare a seguire la traiettoria utilizzando il controllo ad anello aperto.

Per ottenere una crescita lineare nella complessità dei comportamenti evolutivi dell'agente durante l'esecuzione di questo compito, i ricercatori hanno aggiunto quattro caratteristiche chiave ai metodi standard per l'evoluzione delle reti neurali. Essenzialmente, hanno congelato la struttura precedentemente evoluta della rete, aggiungendo anche impalcature temporali, una funzione di trasferimento omogenea per i nodi di output e le mutazioni che creano nuovi percorsi verso gli output.

Mentre l'aggiunta di mutazioni alle reti e la modifica delle funzioni di trasferimento degli output hanno portato a un certo miglioramento delle prestazioni, hanno scoperto che il miglioramento più significativo era associato all'uso di impalcature. Ciò suggerisce che le reti neurali standard non sono particolarmente adatte a produrre comportamenti che variano nel tempo in un modo facilmente accessibile dall'evoluzione.

Nella loro carta, i ricercatori propongono che le reti neurali potenziate da impalcature potrebbero essere una soluzione praticabile per ottenere comportamenti ed evoluzioni sempre più complesse nelle reti neurali. Nel futuro, l'approccio presentato potrebbe informare lo sviluppo di nuovi strumenti per evolvere le reti neurali per il controllo dei robot e altri compiti.

"Globale, la complessità evoluta è fino a due ordini di grandezza superiore a quella raggiunta con i metodi standard negli esperimenti che abbiamo riportato, con il principale fattore limitante per un'ulteriore crescita essendo il tempo di esecuzione disponibile, " hanno scritto i ricercatori nel loro articolo. "Così, l'insieme dei metodi qui proposti promette di essere un'utile aggiunta ai vari metodi attuali di neuroevoluzione".

© 2019 Science X Network