論文の概要: Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
- arxiv url: http://arxiv.org/abs/2508.17464v1
- Date: Sun, 24 Aug 2025 17:47:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.537141
- Title: Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
- Title（参考訳）: 進化的脳-体共最適化は形態的ポテンシャルの選択に一貫して失敗する
- Authors: Alican Mertan, Nick Cheney,
- Abstract要約: 本研究では,脳と身体の協調最適化を研究するために,形態的適合性景観を網羅的にマッピングすることを提案する。
我々は、このデザイン空間において、進化的脳-体共最適化アルゴリズムがどのように機能するかを分析する。
- 参考スコア（独自算出の注目度）: 0.32944203974612035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain-body co-optimization remains a challenging problem, despite increasing interest from the community in recent years. To understand and overcome the challenges, we propose exhaustively mapping a morphology-fitness landscape to study it. To this end, we train controllers for each feasible morphology in a design space of 1,305,840 distinct morphologies, constrained by a computational budget. First, we show that this design space constitutes a good model for studying the brain-body co-optimization problem, and our attempt to exhaustively map it roughly captures the landscape. We then proceed to analyze how evolutionary brain-body co-optimization algorithms work in this design space. The complete knowledge of the morphology-fitness landscape facilitates a better understanding of the results of evolutionary brain-body co-optimization algorithms and how they unfold over evolutionary time in the morphology space. This investigation shows that the experimented algorithms cannot consistently find near-optimal solutions. The search, at times, gets stuck on morphologies that are sometimes one mutation away from better morphologies, and the algorithms cannot efficiently track the fitness gradient in the morphology-fitness landscape. We provide evidence that experimented algorithms regularly undervalue the fitness of individuals with newly mutated bodies and, as a result, eliminate promising morphologies throughout evolution. Our work provides the most concrete demonstration of the challenges of evolutionary brain-body co-optimization. Our findings ground the trends in the literature and provide valuable insights for future work.
- Abstract（参考訳）: 近年、コミュニティからの関心が高まりつつも、ブレインボディの共同最適化は難しい問題である。
課題を理解し,克服するために,形態的適合性景観を網羅的にマッピングして研究する手法を提案する。
この目的のために、我々は、計算予算に制約された1,305,840個の異なる形態を持つ設計空間において、各実現可能な形態に関するコントローラを訓練する。
まず、このデザイン空間は、脳と身体の協調最適化問題を研究するための良いモデルであり、これを網羅的にマッピングしようとする試みは、大まかに風景を捉えていることを示す。
そして、このデザイン空間における進化的脳-体共最適化アルゴリズムがどのように機能するかを分析する。
形態的適合性景観の完全な知識は、進化的脳体共最適化アルゴリズムの結果をよりよく理解し、形態学的空間における進化の時間を超えてどのように展開するかを促進する。
この研究は、実験されたアルゴリズムが常に準最適解を見つけることができないことを示している。
検索は、時として、より良い形態学から1つの変異がある形態学に行き詰まり、アルゴリズムは、形態学と適合性のランドスケープのフィットネス勾配を効率的に追跡することができない。
実験されたアルゴリズムは、新しく変異した体を持つ個人の適合度を定期的に過小評価し、結果として、進化を通じて有望な形態を排除している証拠を提供する。
私たちの研究は、進化的脳-体共最適化の課題の最も具体的なデモンストレーションを提供します。
本研究の成果は,文献の潮流を基盤として,今後の研究に貴重な知見を提供するものである。
関連論文リスト
- Investigating Premature Convergence in Co-optimization of Morphology and
Control in Evolved Virtual Soft Robots [0.2900810893770134]
進化した仮想ソフトロボットの形態と制御の共最適化は難しい問題である。
形態学空間の高性能領域は, 形態学と制御の共最適化において発見できないことを示す。
我々は,共同最適化問題を考えるための新しいボディー中心の枠組みを提案する。
論文 参考訳（メタデータ） (2024-02-14T15:21:17Z) - MorphGrower: A Synchronized Layer-by-layer Growing Approach for Plausible Neuronal Morphology Generation [38.87351909710185]
本稿では,ニューロンの自然成長機構を模倣したMorphGrowerを提案する。
MorphGrowerは層ごとにモルフォロジー層を生成し、その後の各層は以前に生成された構造に条件付けされる。
4つの実世界のデータセットの結果、MorphGrowerはMorphVAEを顕著な差で上回っている。
論文 参考訳（メタデータ） (2024-01-17T09:03:14Z) - Phylogeny-informed fitness estimation [58.720142291102135]
本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。
以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。
この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
論文 参考訳（メタデータ） (2023-06-06T19:05:01Z) - Automated Design of Salient Object Detection Algorithms with Brain
Programming [3.518016233072556]
本研究は, 突発性物体検出問題の解決を目的とした最近の提案を用いて, 人工背側流の拡大を提案する。
そこで我々は,画像分割アルゴリズムと視覚塩分率の融合をテンプレートとして適用することにした。
本稿では,最先端技術との比較において,専門家が設計したベンチマークの結果について述べる。
論文 参考訳（メタデータ） (2022-04-07T20:21:30Z) - Physical Gradients for Deep Learning [101.36788327318669]
最先端のトレーニング技術は、物理的なプロセスに関わる多くの問題に適していないことが分かりました。
本稿では,高次最適化手法と機械学習手法を組み合わせた新しいハイブリッドトレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-30T12:14:31Z) - Task-Agnostic Morphology Evolution [94.97384298872286]
モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。
これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。
我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
論文 参考訳（メタデータ） (2021-02-25T18:59:21Z) - 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) - 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) - A Study of Fitness Landscapes for Neuroevolution [4.930887920982693]
フィットネスランドスケープを使ってメタヒューリスティックスのダイナミクスを研究します。
また,本手法の予測能力に関する有用な情報を推測するためにも利用した。
その結果、これらの測定値は、考慮された神経進化構成の最適化能力と一般化能力の両方を推定するのに適していることが示された。
論文 参考訳（メタデータ） (2020-01-30T11:53:55Z)
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。