論文の概要: Embodied Intelligence via Learning and Evolution

• arxiv url: http://arxiv.org/abs/2102.02202v1
• Date: Wed, 3 Feb 2021 18:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-02-04 18:14:31.694007
• Title: Embodied Intelligence via Learning and Evolution
• Title（参考訳）: 学習と進化による体型知能
• Authors: Agrim Gupta, Silvio Savarese, Surya Ganguli, Li Fei-Fei
• Abstract要約: 環境の複雑さが形態学的知能の進化を促進することを示す。 また、進化は速く学習する形態を素早く選択することを示した。 我々の実験は、ボールドウィン効果とモルフォロジーインテリジェンスの発生の両方の力学的基礎を示唆している。
• 参考スコア（独自算出の注目度）: 92.26791530545479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The intertwined processes of learning and evolution in complex environmental niches have resulted in a remarkable diversity of morphological forms. Moreover, many aspects of animal intelligence are deeply embodied in these evolved morphologies. However, the principles governing relations between environmental complexity, evolved morphology, and the learnability of intelligent control, remain elusive, partially due to the substantial challenge of performing large-scale in silico experiments on evolution and learning. We introduce Deep Evolutionary Reinforcement Learning (DERL): a novel computational framework which can evolve diverse agent morphologies to learn challenging locomotion and manipulation tasks in complex environments using only low level egocentric sensory information. Leveraging DERL we demonstrate several relations between environmental complexity, morphological intelligence and the learnability of control. First, environmental complexity fosters the evolution of morphological intelligence as quantified by the ability of a morphology to facilitate the learning of novel tasks. Second, evolution rapidly selects morphologies that learn faster, thereby enabling behaviors learned late in the lifetime of early ancestors to be expressed early in the lifetime of their descendants. In agents that learn and evolve in complex environments, this result constitutes the first demonstration of a long-conjectured morphological Baldwin effect. Third, our experiments suggest a mechanistic basis for both the Baldwin effect and the emergence of morphological intelligence through the evolution of morphologies that are more physically stable and energy efficient, and can therefore facilitate learning and control.
• Abstract（参考訳）: 複雑な環境ニッチにおける学習と進化の中間過程は、形態学的形態の顕著な多様性をもたらした。 さらに、動物知能の多くの側面は、進化した形態学に深く浸透している。 しかしながら、進化と学習に関するシリコ実験において、環境複雑性、進化形態、知的制御の学習可能性の関係を規定する原則は、部分的には大きな課題である。 我々は,多種多様なエージェント形態を進化させ,低レベルの自己中心的感覚情報のみを用いて複雑な環境におけるロコモーションと操作タスクを学習できる新しい計算フレームワークであるdeep evolution reinforcement learning (derl)を提案する。 DERLを活用することで、環境の複雑さ、形態的知性、制御の学習性の間にいくつかの関係が示される。 まず、環境複雑性は、新しいタスクの学習を促進する形態素の能力によって定量化される形態素知の進化を促進する。 第二に、進化は速く学習する形態を素早く選び、初期の祖先の生後遅くに学んだ行動が子孫の生後早期に表現されるようにする。 複雑な環境で学習および進化するエージェントでは、この結果は長期予想ボルドウィン効果の最初の実証を構成する。 第三に、我々の実験は、より物理的に安定でエネルギー効率のよい形態学の進化を通じて、ボールドウィン効果と形態学知性の出現の両方の力学基盤を示唆している。

関連論文リスト

• Towards Understanding How Knowledge Evolves in Large Vision-Language Models [55.82918299608732]
  我々はマルチモーダル知識がどのように進化し、最終的にLVLM(Large Vision-Language Models)において自然言語を誘導するかを考察する。 知識進化における2つの重要なノードを同定する: 臨界層と突然変異層、進化過程を3段階に分割する: 急速な進化、安定化、突然変異。 我々の研究は、LVLMにおける知識進化の軌跡を初めて明らかにし、その基盤となるメカニズムを理解するための新たな視点を提供する。
  論文  参考訳（メタデータ） (2025-03-31T17:35:37Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Case Study of Novelty, Complexity, and Adaptation in a Multicellular System [0.0]
  DISHTINYシミュレーションシステムを用いたケーススタディにおいて、新規性、複雑さ、適応の共進化を追究する。 定性的に異なる10個の多細胞形態を記述し、その一部は非対称な成長と異なる生活段階を示す。 私たちのケーススタディは、新奇性、複雑さ、適応の間に緩やかな(時には相違する)関係が存在することを示唆しています。
  論文  参考訳（メタデータ） (2024-05-12T10:13:36Z)
• Evolving Reservoirs for Meta Reinforcement Learning [1.6874375111244329]
  本稿では,そのようなプロセスを実現する機構を研究するための計算モデルを提案する。 進化のスケールでは、リカレントニューラルネットワークの族である貯水池を進化させます。 我々は、強化学習(RL)を通じた行動政策の学習を容易にするために、これらの進化した貯水池を利用する。 以上の結果から,貯水池の進化は多様な課題の学習を改善することが示唆された。
  論文  参考訳（メタデータ） (2023-12-09T16:11:48Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• Role of Morphogenetic Competency on Evolution [0.0]
  進化計算において、逆関係(進化に関する知性の影響)は、生物レベルの振る舞いの観点からアプローチされる。 我々は、解剖学的形態空間をナビゲートするシステムの最小限のモデルの知性に焦点を当てる。 我々はシリコの標準遺伝アルゴリズムを用いて人工胚の個体群を進化させた。
  論文  参考訳（メタデータ） (2023-10-13T11:58:18Z)
• The Evolution theory of Learning: From Natural Selection to Reinforcement Learning [0.0]
  強化学習は、人工知能において、環境から学習するインテリジェントエージェントを開発するための強力なツールである。 近年、研究者たちはこれら2つの明らかに異なる分野の関連性を探り、これまで考えられていたよりも密接な関係にあるという説得力のある証拠を発見した。 本稿では、これらの関係とその意味を考察し、進化システムにおける進化の理解とフィードバックの役割を高めるための強化学習原則の可能性を明らかにする。
  論文  参考訳（メタデータ） (2023-06-16T16:44:14Z)
• Reinforcement Learning for Control of Evolutionary and Ecological Processes [0.0]
  本稿では,エコロジーと生理学の両方を計算としてモデル化し,進化ゲームの定式化を導入する。 我々は,進化する細胞の個体群を制御するためのアルゴリズム的問題に対して,その先駆的な結果を開発した。
  論文  参考訳（メタデータ） (2023-05-05T07:45:28Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• The Introspective Agent: Interdependence of Strategy, Physiology, and Sensing for Embodied Agents [51.94554095091305]
  本論では, 環境の文脈において, 自己能力を考慮した内省的エージェントについて論じる。 自然と同じように、私たちは戦略を1つのツールとして再編成して、環境において成功させたいと考えています。
  論文  参考訳（メタデータ） (2022-01-02T20:14:01Z)
• Emergent Hand Morphology and Control from Optimizing Robust Grasps of Diverse Objects [63.89096733478149]
  多様な物体をつかむために、効果的なハンドデザインが自然に現れるデータ駆動型アプローチを紹介します。 形態と把持スキルを共同で効率的に設計するベイズ最適化アルゴリズムを開発した。 我々は,新しい物体をつかむための堅牢で費用効率のよい手形態を発見するためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-12-22T17:52:29Z)
• Some Experiments on the influence of Problem Hardness in Morphological Development based Learning of Neural Controllers [0.0]
  本稿では,形態的発達が学習を促進するためにどのように活用できるかを考察する。 特に、複雑なタスクを学ぶ際に形態的発達が真に有利になるかどうか、そしてタスクが困難になるにつれて、そのタスクの学習への関連性に焦点をあてる。
  論文  参考訳（メタデータ） (2020-03-12T14:23:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。