[新知] 靈感來自生物的電腦網路會自我組織與學習

[mulkcs (mulkcs)]

Bio-inspired computer networks self-organise and learn
http://www.physorg.com/news186413363.html

February 26, 2010

(PhysOrg.com) -- 以物理上分離的模組所組成的強大電腦、自我組織的網路以及靈感來
自生物系統的運算，這三大熱門研究主題現在在一項歐洲計畫中聚首。

歐洲研究者已開發出一種創新的運算平台。在這套系統的中心是許多小型模組，每個模組
以晶片製成，具有內建的學習能力。一個自我配置的無線網路會連接這些模組，讓它們像
一個一致的群體（coherent group）般運作。

演化成合於正在進行中的任務，並且會對於它們所處環境的資訊產生作用，這樣的系統被
它們的開發者描述成「來自生物的靈感」。它們非常適合建構科學問題的數學模型，在其
中複雜（complexity）源自簡單的基石，例如腦部、股市以及新點子的擴散。

研究者已使用能夠學習的程式 -- 神經網路 -- 來研究像這樣的問題。如果他們能將指令
硬體接線（hard-wire）成電腦晶片而非將它們當成軟體載入，他們的模擬將能跑更快，
不過，這通常會阻止機器「繼續學習」。若晶片能透過在實體上重新配置它們自己（
physically reconfiguring themselves）而學習（新事物），將能夠呈現出這兩種世界
中最好的結果。

大量電腦平行運作以解決複雜問題並不是新構想。然而，這樣的網路並非十分有彈性，因
為電腦必須以專為每種任務量身訂做的軟體個別設定。這項 European PERPLEXUS 計畫因
而利用此研究中另一種熱門主題：自我組織的無限網路，那能使自己適應正在進行中的工
作。


普適模組與普適晶片（Ubidules and ubichips）

原則上，這樣的網路，可藉由任何伸手可及的、備有無線網路的裝置 -- 電腦、智慧手機
、機器人甚至是電子玩具 -- 組裝自己，提供所謂的「普適運算（ubiquitous computing
）」，這個由歐盟所贊助之 PERPLEXUS 計畫的發言人 Andres Perez-Uribe 解釋。

在這項計畫中，研究者將他們自己設限在一種模組網路上，該網路由一種基本的基石所構
成：普適模組（ubidule），一種為特定目的而設計的模組，大小與 PDA 類似。普適模組
能取得來自於環境中的資訊，以無線方式共享資料，並使它們的行為能夠合於情勢。例如
，在一大型網路中，某些普適模組也許會演化成專門從事特定任務，而其他的普適模組則
會把任務托付（delegate）給它們。

每個普適模組的關鍵是一個處理器晶片，普適晶片（ubichip），那能夠學習與演化。這
個構想來自於一項更早期的歐盟計畫，POEtic，那開發出一款基於大量同一次單元（即
 cell）的處理器。端看目前任務，每個 cell 能藉由改變其初始接線（internal wiring
）而改變其功能；在更高的層次上，cell 之間的連線也能夠被建立或破壞。直到目前為
止，這樣的彈性只有那些已受到外部程式化（externally programmed）的晶片才能擁有
。相較之下，這些普適晶片能自行產生必要的接線。


塑模腦部與文化（Modelling brains and cultures）

研究者表示，普適模組能塑模物理科學中基於網格（grid-based）的問題以及生物系統、
社會科學中難以公式化（formulate）的挑戰。例如，他們已利用普適模組來發展貌似生
物學上的腦部神經網路模組，並用來研究點子如何在人們之間傳開。

能以網格或網路具體化的問題通常在稱為代理人（agents）之自主程式的幫助下進行研究
，那從網路的不同部份收集與交換資訊。此刻，這樣的交換通常非常基本，代理人通常把
到來的所有資訊通通傳出去。Perez-Uribe 解釋，普適模組所構成的網路，能賦予每個代
理人專屬的神經網路。透過詮釋資料以及對它們所傳遞的東西更有選擇性，這些智慧型代
理人能產生更好的模型。

此計畫的另一項分支涉及一群小但精練的全地形機器人，它們都裝有普適晶片。研究者在
所謂的集體機器人學（collective robotics）領域中開發出一項新策略，其前提是，一
群彼此相互通訊的機器人比個別動作的相同機器人更有效率。（想想螞蟻）

在此例中，研究者觀察搜索機器人如何確定一處重要地點，例如它們得要拾起的物品的聚
集點。每個機器會展現出有顏色的標燈（beacon），並配有一具攝影機能看見其他機器人
的標燈。機器人會改變其標燈的顏色以發訊告知它們已成功地找到目標，而鄰近的機器人
能複製它們的行為。

結果呈現出標燈顏色的梯度（gradien），那引導其他機器人朝向目標前進，而不是像你
在一處不熟悉的購物商場中，你可能會跟在那些提著特定塑膠袋的人們後面來尋找特定店
面。根據 Perez-Uribe 表示，這種技術對於那些不可能使用固定座標或 GPS 引導的情況
大有可為。

反映出 PERPLEXUS 向前看的天性，它受到瑞士、法國、波蘭與西班牙的學術單位控制。
PERPLEXUS 的資金來自於第六框架（Sixth Framework）研究計畫的 ICT 標準（FET
Proactive）。

--
原始網址：
http://only-perception.blogspot.com/2010/05/blog-post_5227.html


--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 118.160.160.193
→ mulkcs:其實這篇我自己看不太懂 囧rz
→ shoxx:看起來是透過機器人進行類神經網路模擬人類社會行為
→ mulkcs:看起來好複雜 XD
推 brendonfish:大概來說，他們作出了可以獨立學習的計算模組，
→ brendonfish:多個模組可以自我分工，再整合各自的計算結果，有點
→ brendonfish:像功能區位化假設下的大腦；這種架構的另一個應用是
→ brendonfish:團體動力學的作法，每個模組的功能相同，但配置在不同
→ brendonfish:解空間的不同位置尋找答案，在彼此溝通交換自己得到的
→ brendonfish:答案，修正自己的尋找方向，達到團體最佳解。
→ brendonfish:修正一下，第四行是同一姐空間的不同位置。
→ mulkcs:推樓上解釋 這樣果然比較好懂...但我很想知道 這樣會收斂嗎
→ mulkcs:或者我覺得收斂的速度會是一個重要的關鍵...
推 brendonfish:第一個情況是功能分工，所以我想是需要整合個模組的
→ brendonfish:機制，第二個情況是有收斂的機制，模組間的溝通會產生
推 brendonfish:西瓜偎大邊的行為，當前有較佳解的模組會藉由溝通吸引
→ brendonfish:其他模組搜尋較佳解附近的解空間，漸漸得到團體共識。
→ brendonfish:詳細的機制我不是很清楚，不過應該跟其它最佳化的方法
→ brendonfish:一樣，要看解空間大小跟複雜度，使用的搜尋模組數量，
→ brendonfish:還有決定搜尋策略的參數之類的。
→ brendonfish:總之，第一個情況系統是分工再整合，也許沒有收斂的
→ brendonfish:問題；第二個情況要是解空間大小與複雜度，選適量的搜
→ brendonfish:尋模組，跟適當的行為參數，就會收斂得快又好。