Автор: @Dmytro_Kikot. Как бы сильно писатели или сценаристы не старались создать образ сверхумных и сверхсильных роботов, в реальности же до глобального доминирования им еще очень и очень далеко. В чем их проблема? А в том, что мыслят они совершенно не так, как люди. Можно даже сказать, что современные роботы не мыслят, а выполняют вычислительные процессы.

Мозг человека также выполняет эту задачу, но на гораздо более высоком и сложном уровне. Еще одним важным отличием является наше умение обучаться чему-то новому посредством периодического повторения выполняемой задачи. Другими словами, практика и еще раз практика. В отличие от роботов, никто не вкладывает в наше сознание навыки, как это происходит в повести «Профессия» Айзека Азимова. Получается, чтобы сделать роботов умнее (если это хорошая идея), необходимо научить их учиться.

Группа ученых из Американского института физики (США) придумали, как обучить маленького робота преодолевать лабиринт, используя при этом самые настоящие нервные клетки мозга человека.

Какие принципы лежат в основе разработки, насколько быстро обучался робот и удалось ли ему в итоге преодолеть лабиринт? Ответы на эти вопросы мы найдем в докладе ученых.

Основа исследования

Идея обучить робота находить выход из лабиринта звучит забавно и даже очень интересно, но она ничего не стоит, если не подкреплена чем-то существенным. Фундаментом в этом случае выступают PRC (physical reservoir computing), т.е. резервуарные вычисления, когда в физической системе (например, в фотонной системе, в магнитном материале, в механическом роботе или в нейронной сети) внутренняя нелинейная динамика используется в качестве вычислительного ресурса или резервуара.

Недавние исследования охарактеризовали богатую динамику пространственно-временной нейронной активности как источник нейронных вычислений, иногда как резервуар, и показали наличие PRC в живых нейронных культурах. Однако PRC, который генерирует когерентный выходной сигнал от спонтанно активной нейронной системы, как правило, с хаотической динамикой, по-прежнему является чем-то малоизученным и не до конца понятным.

В качестве подспорья для решения проблем с PRC в искусственной нейронной сети ученые предложили использовать обучение в сопряжении с алгоритмом FORCE («Generating Coherent Patterns of Activity from Chaotic Neural Networks »), позволяющий уменьшить число ошибок и управлять ими. В добавок к FORCE ученые решили использовать живые клетки.