运动建模随着受大脑启发的神经网络而发展-运动学模拟

洛桑联邦理工学院的一组科学家建立了一个新的神经网络系统，可以帮助了解动物如何适应自己身体的变化，并创建更强大的人工智能系统。

深度学习一直由人工神经网络推动，人工神经网络将简单的计算元素堆叠在一起，以创建强大的学习系统。有了足够的数据，这些系统可以解决具有挑战性的任务，比如识别物体，在围棋中击败人类，还可以控制机器人。

“你可以想象，如何将这些元素堆叠在一起的架构可能会影响你需要学习多少数据以及天花板性能是多少，”洛桑联邦理工学院生命科学学院的Alexander Mathis教授说。

这三位科学家与博士生Alberto Chiappa和Alessandro Marin Vargas合作，开发了一种名为DMAP的新网络架构，用于“分布式形态学注意力策略”。这种网络架构结合了生物感觉运动控制的基本原理，使其成为研究感觉运动功能的有趣工具。

“我们采用了神经科学的原理，并在神经网络中提炼出来，以设计更好的感觉运动系统，”Alberto Chiappa说。在第36届神经信息处理系统年会（NeurIPS）上发表的论文中，研究人员提出了DMAP，它“结合了独立的本体感觉处理，每个关节具有单独控制器的分布式策略以及注意力机制，以动态地将感觉信息从不同的身体部位控制到不同的控制器。

DMAP能够学会与受到形态扰动的身体“行走”，而无需接收有关形态参数的任何信息，例如特定的肢 体长度和宽度。值得注意的是，DMAP可以“行走”，以及可以访问这些身体参数的系统。

“因此，由于我们从解剖学中了解到的知识，我们创建了一个强化学习系统，”Alberto Chiappa说。“在我们训练这个模型后，我们注意到它表现出动态门控，让人联想到脊髓中发生的事情，但有趣的是，这种行为是自发出现的。

总体而言，像DMAP这样的模型有两个作用：基于生物学见解构建更好的人工智能系统，以及相反地构建更好的模型来理解大脑。