锐客网

  1. 首页 > 科技 > >

人工智能|让机器像人一样思考，日本科学家开发可自主走迷宫的机器人( 二 )


文章图片

（来源：Pixabay）
一般情况下 ， 在给电脑编写程序之前 ， 程序员知道他想让电脑做的任务是什么 。可是 ， 在人工智能领域 ， 程序员要求电脑做正确的事情 ， 可同时又不是很清楚事情到底是什么 。比如我们让电脑去识别人脸 ， 可是我们人类自己也不是完全清楚大脑是如何识别人脸的 。
在现实世界中 ， 人类不仅要面对还要处理种种不确定性事件 。比如你在达到一个目标前 ， 受到诸多困难 ， 你需要排除万难；你在驾车时 ， 前方冲出一辆车 ， 你需要转动方向盘避免撞车；你在处理一项任务时 ， 突然接到另一项重要任务 ， 你需要随机应变 。一个智能的电脑程序不仅能够按照既定计划完成任务 ， 还能确保在不确定事件发生的情况下完成任务 。
所以 ， 真正的人工智能 ， 必须能够不断感知周围环境的变化 ， 并对此做出反应 ， 适时改变和调整自己的行动 ， 以期出色完成任务 。
物理储备池计算帮助机器人“独立”思考储备池计算（Reservoir Computing）是近年来人工智能领域的一个新型概念 ， 也叫 Echo state network ， 被视为是神经网络（Neural Network）的一种拓展框架 。
而所谓的物理储备池计算 ， 就是将给定物理系统（例如光子系统、神经系统、机械系统等）中的内在非线性动力学用作计算资源储存 。储备池计算的一个神奇之处在于 ， 中间层的储备池矩阵是随机生成的且生成后就保持不变 ， 真正需要训练的只有输出层 ， 这也使它比传统的方法快很多 。
人工智能|让机器像人一样思考，日本科学家开发可自主走迷宫的机器人
文章图片

图 | 物理储备池实验系统示意图（来源：AIP）
因此 ， 简单来说 ， 物理储备池计算就是给一个随机链接的脉冲神经网络（物理储备池）一些输入 ， 然后用现有的机器学习的方法来学习这个网络对于特定的输入的模式 ， 从而达到模式识别的目的 。可以做一个类比 ， 如果把脉冲神经网络等同于大脑的神经回路的话 ， 那么储备池计算就是从大脑神经回路里接出几个输出 ， 然后判断这些连接输出的神经元都以怎样的模式活动并归类 ， 从而判别输入端接受到了怎样的信息 。
为了在活的神经元中进行物理储备池计算 ， 研究人员开发了一个闭环系统来从自发活跃的神经元培养物中产生相干信号 ， 操作移动机器人 。神经元培养物在微电极阵列上生长 ， 以方便细胞外信号测量 。尖峰事件与半高斯核进行卷积以平滑信号 ， 并将信号加权用于 FORCE 学习的输出 。
而反馈信号由光活性笼状谷氨酸和 Rubi- 谷氨酸产生 ， 使用 473 nm 蓝光照射会打破笼装结构 ， 激活神经元细胞 。在 FORCE 学习中通过 RLS 算法调整权重 ， 使输出信号变成目标常数信号 。输出信号与目标之间的偏差用于机器人控制 ， 如果误差为 0 则机器人向前移动 ， 否则要么左转、要么右转 。
此外 ， 研究人员还开发了一套定制的程序 ， 来处理尖峰数据以执行 FORCE 学习 ， 并与机器人进行双向通信 。该程序可以根据 FORCE 学习的输出调整蓝光照射的时间 ， 对神经元施加电刺激 。最终 ， 研究人员证实 ， 通过 FORCE 学习不断干扰神经元信号后 ， 移动机器人成功走出了迷宫 。

推荐阅读


上一篇：汽车出行|别被“飞行汽车”骗了

下一篇：消费|资本热潮下的创业AB面：茶颜悦色认怂，文和友认栽