[논문 리뷰] Towards a framework for the evolution of artificial general intelligence.

Sidney Pontes-Filho, Stefano Nichele|arXiv (Cornell University)|2019. 03. 25.

Neural Networks and Applications인용 수 6

한 줄 요약

이 논문은 몸이 있는 에이전트에서 자기지도, 지속적인 학습을 통해 생물학적으로 영감을 받은 인공통합지능(AGI)을 진화시키는 프레임워크를 제안한다. 진화 가능한 구조와 유연한 시냅스 가중치를 가진 스파iking 신경망을 사용하여, 유전적 지식이 없는 상태에서 동적인 환경에 적응하는 에이전트들이 학습 능력 최적화를 통해 일반 지능이 나타나는 것을 보여준다.

ABSTRACT

In this work, a novel framework for the emergence of general intelligence is proposed, where agents evolve through environmental rewards and learn throughout their lifetime without supervision, i.e., self-supervised learning through embodiment. The chosen control mechanism for agents is a biologically plausible neuron model based on spiking neural networks. Network topologies become more complex through evolution, i.e., the topology is not fixed, while the synaptic weights of the networks cannot be inherited, i.e., newborn brains are not trained and have no innate knowledge of the environment. What is subject to the evolutionary process is the network topology, the type of neurons, and the type of learning. This process ensures that controllers that are passed through the generations have the intrinsic ability to learn and adapt during their lifetime in mutable environments. We envision that the described approach may lead to the emergence of the simplest form of artificial general intelligence.

연구 동기 및 목표

• 학습 능력을 지닌 신경망 제어기를 진화시키는 과정을 통해 인공통합지능의 기원을 개발하는 것.
• 감독 학습이나 유전적 지식 없이도 수명 주기 동안 학습하고 적응할 수 있도록 에이전트를 가능하게 하는 것.
• 진화하는 네트워크 구조를 가진 스파iking 신경망을 사용하여 생물학적으로 타당한 신경 메커니즘을 모델링하는 것.
• 학습 메커니즘의 진화적 최적화가 일반 지능으로 이어지는 방식을 조사하는 것.
• 변형 가능한 환경에서 자기지도, 지속적인 학습이 적응력 있고 일반적인 목적의 제어기를 생성할 수 있는지 탐색하는 것.

제안 방법

• 에이전트는 생물학적으로 타당한 뉴런 모델을 가진 스파킹 신경망에 의해 제어된다.
• 네트워크 구조는 세대를 거쳐 진화하지만, 시냅스 가중치는 유전되지 않아 신생 에이전트가 사전 지식 없이 출발한다.
• 진화는 가중치가 아니라 뉴런 유형, 네트워크 구조, 학습 규칙에 작용한다.
• 에이전트는 환경 보상에 반응하여 자기지도, 지속적인 학습을 통해 학습한다.
• 학습 과정은 몸으로 구현된 것이며, 에이전트가 동적인 환경과 상호작용하고 그에 적응하도록 한다.
• 프레임워크는 외부 사전 훈련 지식이 아닌 진화의 산물인 내재된 학습 능력을 강조한다.

실험 결과

연구 질문

• RQ1 몸이 있는 에이전트에서 학습 능력을 지닌 신경 제어기를 진화시킬 경우 인공통합지능이 기원할 수 있는가?
• RQ2 유전적 지식이나 사전 훈련 없이 에이전트가 얼마나 일반 지능을 발달시킬 수 있는가?
• RQ3 진화하는 네트워크 구조와 학습 규칙이 동적인 환경에서 지속적인 자기지도 학습 적응을 어떻게 지원하는가?
• RQ4 신경 모델의 생물학적 타당성이 일반 지능을 가능하게 하는 데 어떤 역할을 하는가?
• RQ5 학습 메커니즘의 진화적 최적화가 다양한 환경적 과제에 일반화할 수 있는 제어기를 도출할 수 있는가?

주요 결과

• 프레임워크는 학습 능력을 지닌 신경 구조의 진화를 통해 에이전트가 일반 지능을 발달시킬 수 있도록 한다.
• 사전 훈련된 가중치나 유전적 지식 없이도 동적인 환경에서 적응 행동을 달성한다.
• 진화는 가중치가 아니라 학습 능력, 구조, 뉴런 유형을 최적화하여 수명 주기 동안의 학습을 가능하게 한다.
• 유연성을 가진 스파킹 신경망의 사용은 생물학적으로 타당한 자기지도 학습을 지원한다.
• 일반 지능은 학습 메커니즘의 진화적 최적화에서 기원할 수 있음을 보여준다.
• 이 프레임워크는 내재된 적응 가능성과 일반화 잠재력을 지닌 제어기를 생성하는 데 잠재력을 보여준다.