자율 로봇의 많은 제어 메커니즘은 인간을 포함한 동물의 기능을 모사했다. 로봇 공학은 종종 미리 정의된 모듈과 제어 방법론을 사용해 로봇 동작을 설계, 작업별로 유연성이 제한된다.

과학자들은 동물 뇌의 신경 활동과 같은 복잡한 시간적 패턴을 활용, 자발적인 행동을 설계하는 대체 기계 학습(ML) 기반 방법을 제공한다. 그들은 자율적 기능을 향상하기 위해 로봇 플랫폼에서 구현된 설계를 추구한다.

로봇과 제어 소프트웨어는 끊임없이 변화하는 상태를 설명하는 수학적 모델 동적 시스템으로 분류할 수 있다. 동물의 뇌를 모델링하는 강력한 방법이기 때문에 많은 연구자들을 매료시킨 고차원 혼돈 신경망(high-dimensional chaotic neural network)이라는 동적 시스템이 있다. 그러나 일반적으로 “나비 효과”라는 용어로 널리 알려진 현상인 시스템 매개 변수의 복잡성과 다양한 초기 조건에 대한 민감도로 인해 고차원 혼돈을 제어하기가 어렵다.

지능형 시스템 및 정보학 연구소와 도쿄대의 차세대 인공지능 연구센터 연구원들은 인간과 같은 인지 기능을 구현하기 위해 고차원 혼돈의 역학을 활용하는 새로운 방법을 찾는다.

박사 과정 학생 카추마 이노우에는 “기억 회상과 연상 관련 뇌 활동을 설명할 수있는 CI(chaotic itinerancy)라고 불리는 고차원 혼돈의 측면이 있다”며 “로보틱스에서 CI는 자발적인 행동 패턴을 구현하기위한 핵심 도구였다. 연구에서는 고차 혼돈에 의해 생성된 복잡한 시계열 패턴만을 사용하여 단순하고 체계적인 방식으로 CI를 구현하는 방법을 제안한다. 접근 방식은 인지 아키텍처 설계와 관련해 보다 강력하고 다양한 응용 프로그램에 대한 잠재력을 가지고 있다. 이를 통해 컨트롤러에서 사전 정의된 명시적 구조 없이 자발적인 동작을 설계할 수 있다”고 말했다.

RC(Reservoir computing)은 동적 시스템 이론을 기반으로 하는 기계 학습 기술이며 팀의 접근 방식의 기초를 제공한다. RC는 RNN(Recurrent Neural Network)이라는 신경망 유형을 제어하는 데 사용된다. 신경망 내의 모든 신경 연결을 조정하는 다른 기계 학습 접근 방식과 달리 RC는 RNN의 다른 모든 연결을 고정 상태로 유지하면서 일부 매개 변수만 조정하므로 시스템을 더 빠르게 훈련할 수 있다.

연구자들이 RC의 원리를 혼란스러운 RNN에 적용했을 때, 그들은 그들이 바라던 종류의 자발적인 행동 패턴을 보여주었다. 한동안 이것은 로봇 공학 및 인공 지능 분야에서 어려운 과제로 입증됐다. 또한 네트워크 교육은 실행 전에 짧은 시간 내에 진행된다.

나카지마 코헤이 부교수는 “동물의 뇌는 활동에서 고차적 혼돈을 낳지만, 그들이 혼돈을 활용하는 방법과 이유는 아직 설명할 수 없다. 우리가 제안한 모델은 혼돈이 우리 뇌의 정보 처리에 어떻게 기여하는지에 대한 통찰력을 제공할 수 있다”며 “우리의 레시피는 잠재적으로 다른 혼돈 시스템에도 적용될 수 있기 때문에 신경 과학 분야 밖에서 더 광범위한 영향을 미칠 것이다. 예를 들어, 생물학적 뉴런에서 영감을 받은 차세대 뉴로모픽 장치는 잠재적으로 고차원 혼돈을 나타내며 훌륭한 후보가 될 것”이라고 말했다.

*Katsuma Inoue, Kohei Nakajima and Yasuo Kuniyoshi. Designing spontaneous behavioral switching via chaotic itinerancyScience Advances, 2020 DOI: 10.1126/sciadv.abb3989