Robotilla ei ole muistoja, vaikka fyysistä muistia olisi kuinka paljon. Marylandin yliopiston tutkijat esittelevät uuden tavan yhdistää robottien havaintokyky ja moottoritoiminnot käyttäen hyperdimensionaalista laskentateoriaa. Tämän avulla roboteille saadaan kehitettyä eräänlainen muisti.
Integrointi on robottialan keskeisin haaste. Robotin anturit ja toimilaitteet ovat erillisiä järjestelmiä, jotka yhdistyvät toisiinsa keskitetyn oppimismekanismin kautta. Hankala kolmiosainen ohjausjärjestelmä, jossa jokainen osa toimii omalla tavallaan, on hidas tapa saada robotteja suorittamaan sensorimotorisia tehtäviä.
Robotiikan seuraava askel on robotin havaintokyvyn integrointi toimilaitemoottorin ominaisuuksiin. Tämä fuusio, joka tunnetaan nimellä "aktiivinen havaintokyky", antaisi robotille tehokkaamman ja nopeamman tavan suorittaa tehtäviä.
Tässä uudessa tietojenkäsittelyssä robotin käyttöjärjestelmä perustuisi hyperdimensionaalisiin binäärivektoreihin (HBV). Kyseessä on hypervektoripohjainen vaihtoehto nykyisille laskentamenetelmille.
HBV:t voivat edustaa erilaisia erillisiä asioita - esimerkiksi yhden kuvan, käsitteen, äänen tai ohjeen, erillisistä asioista koostuvia sekvenssejä, sekä erillisten asioiden ja sekvenssien ryhmittelyitä. Ne voivat ottaa huomioon nämä kaikki tietotyypit mielekkäällä tavalla. Järjestelmässä toimintojen mahdollisuudet, anturien tulot ja muu informaatio käyttävät samaa tilaa ja kieltä ja ovat fuusioituneita, mikä luo eräänlaista muistia robotille.
Hyperdimensionaalinen kehys voi kääntää minkä tahansa hetkellisen sekvenssin uudeksi HBV:ksi ja ryhmittää olemassa olevat HBV:t yhteen, kaikki samassa vektoripituudessa. Tämä on luonnollinen tapa luoda semanttisesti merkittäviä ja tietoisia "muistoja".
Käytössä lisääntyvän informaation koodaus puolestaan johtaa ”historiavektoreihin” ja kykyyn muistaa. Signaaleista tulee vektoreita, indeksointi kääntyy muistiksi ja oppiminen tapahtuu klusteroitumalla.
Robotin muistot siitä, mitä se on tunnistanut antureillaan ja tehnyt aikaisemmin, voi johtaa siihen, että se odottaa tulevaa näkemystä ja vaikuttaa sen tuleviin toimiin. Tämä aktiivinen käsitys mahdollistaisi robotin itsenäisyyden ja paremmat valmiudet toteuttaa tehtäviä itsenäisesti.
Marylandin tutkimuksen sovellukset voivat ulottua paljon robottitekniikan ulkopuolelle. Lopullisena tavoitteena on pystyä tuottamaan itse tekoäly pohjimmiltaan eri tavalla: käsitteistä signaaleihin ja kielelle.
Hyperdimensionaalinen laskenta voisi tarjota nopeamman ja tehokkaamman vaihtoehtoisen mallin iteratiivisille hermoverkoille ja syvän oppimisen AI-menetelmille, joita tällä hetkellä käytetään tietojenkäsittelysovelluksissa, kuten datan louhinnassa, visuaalisessa tunnistamisessa ja kuvien kääntämisessä tekstiksi.
Veijo Hänninen
Nanobittejä 24.5.2019