論文の概要: Lamarck's Revenge: Inheritance of Learned Traits Can Make Robot
Evolution Better
- arxiv url: http://arxiv.org/abs/2309.13099v1
- Date: Fri, 22 Sep 2023 15:29:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 22:13:31.348401
- Title: Lamarck's Revenge: Inheritance of Learned Traits Can Make Robot
Evolution Better
- Title（参考訳）: lamarckの復讐:学習された特徴の継承はロボットの進化をより良くする
- Authors: Jie Luo, Karine Miras, Jakub Tomczak, Agoston E. Eiben
- Abstract要約: 「もし18世紀の生物学者ラマルクが完全に間違っておらず、生涯に学んだ個々の特性が継承を通じて子孫に受け継がれるとしたらどうだろう。」
この枠組みでは、学習した脳のビットが継承可能なラマルク系と、そうでないダーウィン系を比較する。
- 参考スコア（独自算出の注目度）: 2.884244918665901
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evolutionary robot systems offer two principal advantages: an advanced way of
developing robots through evolutionary optimization and a special research
platform to conduct what-if experiments regarding questions about evolution.
Our study sits at the intersection of these. We investigate the question ``What
if the 18th-century biologist Lamarck was not completely wrong and individual
traits learned during a lifetime could be passed on to offspring through
inheritance?'' We research this issue through simulations with an evolutionary
robot framework where morphologies (bodies) and controllers (brains) of robots
are evolvable and robots also can improve their controllers through learning
during their lifetime. Within this framework, we compare a Lamarckian system,
where learned bits of the brain are inheritable, with a Darwinian system, where
they are not. Analyzing simulations based on these systems, we obtain new
insights about Lamarckian evolution dynamics and the interaction between
evolution and learning. Specifically, we show that Lamarckism amplifies the
emergence of `morphological intelligence', the ability of a given robot body to
acquire a good brain by learning, and identify the source of this success:
`newborn' robots have a higher fitness because their inherited brains match
their bodies better than those in a Darwinian system.
- Abstract（参考訳）: 進化ロボットシステムは、進化最適化を通じてロボットを開発する高度な方法と、進化に関する問題に関する実験を行うための特別な研究プラットフォームの2つの主要な利点を提供する。
私たちの研究はこれらの交差点にあります。
18世紀の生物学者ラマルクが完全に間違っているわけではなく、生涯に学んだ個々の特性が継承を通じて子孫に受け継がれるとしたら?」という問いを調査する。我々はこの問題を、ロボットの形態学(体)と制御学(脳)が進化し、ロボットが生涯にわたって学習することでコントローラーを改善する進化的ロボットフレームワークを用いてシミュレーションを通して研究する。
この枠組みの中で、脳の学習されたビットが継承可能であるラマルク系と、それらがそうではないダーウィン系を比較する。
これらのシステムに基づいてシミュレーションを解析し、ラマルク進化力学と進化と学習の相互作用に関する新たな知見を得る。
特に、ラマルキズムは「形態学的知性」の出現を増幅し、学習によって良い脳を獲得できるロボットの能力を強化し、この成功の源を特定できることを示します。
関連論文リスト
- Lamarckian Inheritance Improves Robot Evolution in Dynamic Environments [2.111420195774799]
本研究では,ラマルク系と進化ロボティクス(ER)の統合について検討する。
ラマルクの原理を採用することで、ロボットは学習した特性を継承し、ダーウィンの学習と並行して、動的環境の適応について検討する。
我々の研究は6つの異なる環境設定で行われ、ラマルク系がダーウィン系よりも適応性と効率性が優れていることを示した。
論文 参考訳（メタデータ） (2024-03-28T16:27:20Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳（メタデータ） (2023-10-14T23:28:48Z) - 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) - Genes in Intelligent Agents [45.93363823594323]
動物は遺伝子にコード化された知性を持って生まれるが、機械にはそのような知性がなく、ゼロから学べない。
動物の遺伝子にインスパイアされた「学習遺伝子」と命名された機械の「遺伝子」を定義し、遺伝子強化学習(GRL)を提案する。
GRLは、強化学習(RL)における生物の進化をシミュレートし、学習遺伝子を活用して知能エージェントを学習し、進化させる計算フレームワークである。
論文 参考訳（メタデータ） (2023-06-17T01:24:11Z) - 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) - The Effects of Learning in Morphologically Evolving Robot Systems [8.627180519837657]
学習はタスクのパフォーマンスを大幅に向上させ、特定のフィットネスレベルに達するために必要な世代数を削減できることを示す。
学習はコントローラにのみ直接影響を与えるが、進化した形態も異なることを実証する。
進化過程を通じて、遺伝と学習した脳のパフォーマンス差である学習デルタが成長しているのを観察する。
論文 参考訳（メタデータ） (2021-11-18T18:20:33Z) - The Effects of Learning in Morphologically Evolving Robot Systems [10.592277756185046]
モジュール型ロボットは、組換えと突然変異によって両親の身体を継承する子孫を生成できるシステムを構築した。
第1のアプローチは、ロボットの子供の脳が親から受け継がれていることを意味する進化のみを含む。
第2のアプローチは進化と学習であり、これは子供の脳も継承されることを意味するが、さらに学習アルゴリズムによって開発される。
論文 参考訳（メタデータ） (2021-07-17T14:38:26Z) - Embodied Intelligence via Learning and Evolution [92.26791530545479]
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。
論文 参考訳（メタデータ） (2021-02-03T18:58:31Z) - Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。
この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。
これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文 参考訳（メタデータ） (2020-11-30T18:29:25Z) - Morphological Development at the Evolutionary Timescale: Robotic
Developmental Evolution [5.000272778136268]
我々は、系統学的時間スケールで発生する発達過程を設計することを提案する。
成体ロボットのみによる進化的探索よりも、より良く質的に異なる歩行を生み出すことが示される。
提案手法は概念的には単純であり,小人数のロボットに有効である。
論文 参考訳（メタデータ） (2020-10-28T11:24:23Z)
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。