• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • Réseaux de neurones en évolution avec une croissance linéaire de la complexité de leur comportement

    Trajectoire de l'individu le plus performant à partir du meilleur run. Vert :trajectoire optimale; bleu :trajectoire réelle. Les deux commencent à (0, 0). Crédit :Inden &Jost.

    Les algorithmes évolutionnaires (EA) sont conçus pour reproduire le comportement et l'évolution des organismes biologiques tout en résolvant des problèmes informatiques. Dans les années récentes, de nombreux chercheurs ont développé des EA et les ont utilisés pour s'attaquer à une variété de tâches d'optimisation.

    Des études antérieures ont également exploré l'utilisation de ces algorithmes pour apprendre la topologie et les poids de connexion des réseaux de neurones qui alimentent les robots ou les agents virtuels. Lorsqu'il est appliqué dans ces contextes, Les EA pourraient avoir de nombreux avantages, par exemple, l'amélioration des performances des agents d'intelligence artificielle (IA) et l'amélioration de notre compréhension actuelle des systèmes biologiques.

    Jusque là, cependant, les applications robotiques évolutives du monde réel ont été rares, avec très peu d'études réussissant à produire des comportements complexes à l'aide des EA. Des chercheurs de l'Université de Nottingham Trent et du Max Planck Institute of Mathematics in the Sciences ont récemment développé une nouvelle approche pour faire évoluer les réseaux de neurones avec une croissance linéaire soutenue de la complexité de leur comportement.

    "Si nous voulons une croissance linéaire soutenue de la complexité au cours de l'évolution, nous devons nous assurer que les propriétés de l'environnement dans lequel se déroule l'évolution, y compris la structure de la population et les propriétés des réseaux de neurones pertinents pour les opérateurs de mutation appliqués, restent constants en moyenne au cours du temps évolutif, " les chercheurs ont expliqué dans leur article. " Le gel des anciennes structures de réseau est une méthode qui aide à y parvenir, mais comme les enquêtes présentées ici le montreront, il n'est pas suffisant à lui seul et n'est même pas le principal contributeur à la réalisation de l'objectif. »

    Dans leur étude, les chercheurs se sont concentrés sur une tâche dans laquelle un agent robotique doit suivre une trajectoire prédéfinie sur un plan 2-D infini aussi longtemps que possible, qu'ils appellent la « trajectoire suivant la tâche ». Dans leur version de cette tâche, l'agent n'a reçu aucune information via ses capteurs sur l'endroit où il devrait être situé. S'il est trop éloigné de la trajectoire, cependant, l'agent « meurt ». Dans ce contexte, l'évolution doit permettre à l'agent de s'adapter à cette tâche et d'apprendre à suivre la trajectoire grâce au contrôle en boucle ouverte.

    Pour obtenir une croissance linéaire de la complexité des comportements évolutifs de l'agent tout en effectuant cette tâche, les chercheurs ont ajouté quatre fonctionnalités clés aux méthodes standard pour l'évolution des réseaux de neurones. Essentiellement, ils ont figé la structure précédemment évoluée du réseau, tout en ajoutant également un échafaudage temporel, une fonction de transfert homogène pour les nœuds de sortie et les mutations qui créent de nouvelles voies vers les sorties.

    Alors que l'ajout de mutations aux réseaux et la modification des fonctions de transfert des sorties ont conduit à une certaine amélioration des performances, ils ont constaté que l'amélioration la plus significative était associée à l'utilisation d'échafaudages. Cela suggère que les réseaux de neurones standard ne sont pas particulièrement efficaces pour produire un comportement qui varie dans le temps d'une manière facilement accessible par l'évolution.

    Dans leur papier, les chercheurs proposent que les réseaux de neurones augmentés par un échafaudage pourraient être une solution viable pour atteindre des comportements et une évolution de plus en plus complexes dans les réseaux de neurones. À l'avenir, l'approche qu'ils ont présentée pourrait éclairer le développement de nouveaux outils pour faire évoluer les réseaux de neurones pour le contrôle des robots et d'autres tâches.

    "Globalement, la complexité évoluée est jusqu'à deux ordres de grandeur par rapport à celle obtenue par les méthodes standard dans les expériences que nous avons rapportées, le principal facteur limitant pour une croissance future étant le temps d'exécution disponible, " les chercheurs ont écrit dans leur article. " Ainsi, l'ensemble des méthodes proposées ici promet d'être un complément utile aux diverses méthodes actuelles de neuroévolution."

    © 2019 Réseau Science X




    © Science https://fr.scienceaq.com