Ein kostenloses KI-Lernlabor. Entwerfen Sie den Körper eines Tieres und lassen Sie neuronale Netzwerke durch Versuche über Generationen hinweg Bewegungen entdecken. Entdecken Sie, wie Eingaben, Kontrolle und Bewertung das Verhalten beeinflussen. Ergebnisse speichern, vergleichen und teilen.

Melden Sie sich an, um dieses Produkt zu Ihrer Wunschliste hinzuzufügen, zu abonnieren oder als „Ignoriert“ zu markieren.

Dieses Spiel ist noch nicht auf Steam verfügbar

Bald verfügbar

Interesse? Fügen Sie das Spiel Ihrer Wunschliste hinzu und erhalten Sie eine Benachrichtigung, wenn es verfügbar ist.
 

Infos zum Spiel

Machen Sie den Prozess des KI-Lernens sichtbar

Eine Katze hat einen Körper, Gelenke und Aktoren. Jetzt muss ein Weg gefunden werden, voranzukommen.

Seine ersten Versuche können ungeschickt sein: Gliedmaßen behindern sich gegenseitig, das Gleichgewicht geht verloren und große Anstrengung führt fast zu keiner Bewegung. Nach vielen Generationen von Versuchen beginnen einige Maßnahmen, eine nützliche Verschiebung zu bewirken. Einige Kontrollstrategien bleiben erhalten und es können neue Bewegungsarten entstehen.

AI Learning Simulator ist ein kostenloses physikbasiertes Trainings- und Beobachtungsspiel. Entwerfen Sie Körper, passen Sie Parameter an, führen Sie Training durch und beobachten Sie, wie neuronale Netze innerhalb der Einschränkungen eines Körpers und seiner Umgebung nach effektivem Verhalten suchen.

Jede Verbesserung kann zu einem konkreten Experiment der künstlichen Intelligenz werden.

Entwerfen Sie einen Körper und beobachten Sie dann, wie er lernt

Beginnen Sie mit einer Katze, einem Elefanten, einer Giraffe, einem Pferd oder einem Zweibeiner. Passen Sie Größe, Proportionen und Gewicht der Gliedmaßen an oder bearbeiten Sie Knochensegmente, Gelenke und Befestigungspunkte für Aktuatoren detaillierter.

Diese Parameter verändern direkt das Lernproblem.

Längere Beine verändern sowohl den Bewegungsumfang als auch die Gleichgewichtsbedingungen. Ein schwererer Körper erhöht die Belastung. Durch das Verschieben der Befestigungspunkte eines Aktuators ändert sich dessen Hebelarm um ein Gelenk. Derselbe Controller kann in verschiedenen Körpern zu sehr unterschiedlichen Ergebnissen führen.

Bewegung entsteht aus den kombinierten Wirkungen von Körperstruktur, Aktuatorfähigkeiten und Kontrollstrategie.

Das Skelett definiert, wie sich der Körper bewegen kann, Aktuatoren liefern Kraft und das neuronale Netzwerk organisiert Steuersignale aus seinen Eingaben. Texturen geben dem Charakter sein Aussehen; Bewegung muss sich in der physikalischen Simulation bewähren.

Wie ein neuronales Netzwerk Zustände in Aktionen umwandelt

Im aktuellen Steuerungsmodell des Spiels empfängt das Netzwerk die relative Ausdehnung jedes Linearaktuators. Diese Werte sind seine Art, den Körper zu beobachten.

Werte durchlaufen Verbindungen mit unterschiedlichem Gewicht. Neuronen haben auch Biaswerte und Aktivierungsfunktionen. Für ein Neuron kann die Berechnung wie folgt verstanden werden:

Ausgabe = Aktivierungsfunktion (Σ(Eingabe × Verbindungsgewicht) + Bias)

Gewichte bestimmen den Einfluss jeder Eingabe. Bias verschiebt die Reaktion eines Neurons. Aktivierungsfunktionen ermöglichen es dem Netzwerk, komplexere, nichtlineare Beziehungen aufzubauen.

Knoten und Verbindungen arbeiten zusammen, um Steuerausgänge für die Aktoren zu erzeugen. Das Ändern von Netzwerkparametern verändert die Art und Weise, wie der Körper auf denselben Zustand reagiert.

Jedes angehobene Bein, jeder Moment der Unterstützung oder jeder Gleichgewichtsverlust entspricht einer Abfolge numerischer Berechnungen und körperlichen Feedbacks.

Bewegung entsteht durch kontinuierliches Feedback

Die Kontrolle endet nicht nach einer einzigen Berechnung.

Aktorzustände treten in das Netzwerk ein. Es erzeugt Steuersignale. Aktoren bewegen Gelenke. Schwerkraft und Bodenkontakt wirken auf den Körper. Der resultierende Zustand wird als Eingabe für die nächste Berechnung verwendet.

Dieser Zyklus geht weiter:

Körperzustand → neuronales Netzwerk → Aktuatorsteuerung → physische Bewegung → neuer Körperzustand

Die Wirkung eines Ausgangs hängt auch von der aktuellen Haltung, Bewegung und den Kontaktbedingungen des Körpers ab. Die gleiche Betätigung kann unterschiedliche Folgen haben, wenn ein Bein durch die Luft schwingt und wenn es den Boden berührt.

Gangrhythmus und -koordination können sich allmählich durch Feedback zwischen Controller, Körper und Umgebung herausbilden. Bewegung zu beobachten bedeutet auch, diesen geschlossenen Kreislauf bei der Arbeit zu beobachten.

Wie Training das Verhalten verändert

Das Spiel sucht hauptsächlich nach Kontrollstrategien durch Neuroevolution.

Training bewertet eine Population von Kandidatennetzwerken. Mit unterschiedlichen Steuerparametern versucht jeder eine Bewegung in seiner eigenen physikalischen Simulation. Nach jeder Generation vergleicht das System die Leistung, lässt bessere Strategien Einfluss auf die nächste Generation nehmen und führt durch Mutation neue Versuche ein.

Der Vorgang wiederholt sich:

  • 1. Generieren Sie eine Population von Kandidatenkontrollnetzwerken.
  • 2. Führen Sie physische Prüfungen für eine festgelegte Dauer durch.
  • 3. Bewegungsleistung bewerten.
  • 4. Behalten Sie einige bessere Strategien bei und erstellen Sie modifizierte Netzwerke.
  • 5. Erneut testen und weiter vergleichen.

Änderungen können sich auf Verbindungsgewichte und Neuronenverzerrungen auswirken oder Knoten und Verbindungen hinzufügen. Die Struktur des Netzwerks selbst kann Teil der Suche sein.

Ein wichtiger Unterschied: Während eines Versuchs rechnet der Regler immer wieder mit seinen aktuellen Parametern. Zwischen den Generationen sucht das Training durch Selektion und Mutation nach neuen Parametern.

Ein sich bewegendes Zeichen zeigt die aktuell ausgeführte Strategie an. Unterschiede zwischen den Generationen zeigen die Ergebnisse der Ausbildung.

Was es lernt, hängt davon ab, wie wir es bewerten

Die aktuelle Kernaufgabe besteht darin, innerhalb einer festgelegten Zeit so weit wie möglich voranzukommen. Die Leistung wird hauptsächlich anhand der weitesten horizontalen Position bewertet, die der Charakter erreicht hat.

Dieses einfache Ziel kann viele interessante Beobachtungen hervorbringen.

Weiter zu gehen bedeutet nicht unbedingt, sich natürlicher zu bewegen. Eine gute Leistung bei einem kurzen Versuch ist keine Garantie für die Stabilität bei einem längeren Versuch. Kraft und Energie schränken die Aktionen ein, Distanz, Bewegungseleganz und Energieeffizienz bleiben jedoch unterschiedliche Ziele.

Schulung treibt die von uns definierte Metrik in Richtung Verbesserung voran. Ob diese Kennzahl unsere Erwartungen vollständig widerspiegelt, ist eine Frage der Person, die das Experiment plant.

Wenn sich eine unerwartete Bewegung abzeichnet, schauen Sie zurück: Welche Inputs haben wir gegeben, welche Aktionen haben wir zugelassen und welche Regeln haben wir verwendet, um Erfolg zu definieren?

Das Verständnis dieser Fragen gehört zum Verständnis der künstlichen Intelligenz.

Lernen kann ins Stocken geraten und wird durch seine Bedingungen eingeschränkt

Der Trainingsfortschritt ist selten gleichmäßig.

Manchmal scheint eine ganze Reihe von Versuchen wirkungslos zu sein. Manchmal bringt eine kleine Änderung eine deutliche Verbesserung. Zu anderen Zeiten kann die Leistung über viele Generationen hinweg ähnlich bleiben.

Die Populationsgröße beeinflusst die Anzahl der Versuche, Mutationen beeinflussen das Ausmaß der Erkundung und die Körperstruktur definiert mögliche Bewegungen. Mehr Generationen bieten mehr Suchmöglichkeiten, können aber nicht garantieren, dass jeder Körper lernt, stabil zu gehen.

Mehr Neuronen bedeuten auch nicht automatisch eine bessere Strategie.

Interpretieren Sie jedes Ergebnis anhand seiner Körperstruktur, seiner Aktuatorfähigkeiten, seiner Bewertungsdauer und seiner Bewertungsregeln. Die Generationszählung erfasst, wie viele Bewertungsrunden stattgefunden haben; Die tatsächlichen Fähigkeiten müssen immer noch an der Leistung gemessen werden.

Ändern Sie die Bedingungen, trainieren Sie erneut und vergleichen Sie die Ergebnisse verschiedener Experimente.

Speichern Sie Ihre Experimente

Das Spiel bietet einen vollständigen Weg vom Design bis zum Teilen:

  • Wählen Sie eine Körpervorlage: Beginnen Sie mit einer Katze, einem Elefanten, einer Giraffe, einem Pferd oder einem Zweibeiner.
  • Körper und Antriebsstruktur anpassen: Größe, Proportionen und Gewicht ändern; Bearbeiten Sie Gelenke und Aktuator-Befestigungspunkte.
  • Konfigurieren Sie das Training: Passen Sie die Populationsgröße, die Bewertungsdauer und die Entwicklungsparameter an und beobachten Sie deren Auswirkungen.
  • Leistung prüfen: Netzwerkstruktur, Aktuatorsignale, Bewegungswerte und Trainingsgenerationen beobachten.
  • Training speichern und fortsetzen: Behalten Sie die Körperkonfiguration und die beste Strategie bei, identifizieren Sie Ergebnisse anhand von Tier-Miniaturansichten und kumulativen Generationszahlen und erkunden Sie dann eine gespeicherte Strategie weiter.
  • Beobachten und vergleichen Sie auf einem Bildschirm: Spielen Sie die erlernten Strategien zweier Charaktere unabhängig voneinander ab, um verschiedene Körper oder Controller zu vergleichen.
  • Aussehen ändern und teilen: Tier-, Menschen- und Bilderbuch-Skin-Vorlagen verwenden. Laden Sie Skins und Trainingsergebnisse über Steam Workshop herunter oder laden Sie sie hoch.

Das Spiel beinhaltet eine Katzenstrategie, die für insgesamt 280 Generationen trainiert wurde. Spielen Sie es direkt noch einmal ab oder nutzen Sie es als Ausgangspunkt für weitere Schulungen und beobachten Sie, was sich ändert.

Die Versuche einer Katze enthüllen einen kleinen Teil des KI-Lernens

Nehmen Sie sich in Bilderbuchszenen mit Mondlicht, Sternenhimmel und Weizenfeldern Zeit, eine Kontrollstrategie zu beobachten, oder gestalten Sie den Körper neu und beginnen Sie Ihr eigenes Experiment.

Eine scheinbar einfache Vorwärtsbewegung verbindet Eingabekodierung, neuronale Berechnung, Körperdynamik, Bewertungsregeln und probabilistische Suche.

Wir hoffen, dass dieses kostenlose Spiel abstrakte Konzepte in Prozesse verwandelt, die Sie wiederholt beobachten, anpassen und testen können. Bilden Sie Ihr eigenes Urteil: Welche Informationen erhält ein System, welche Maßnahmen kann es ergreifen und unter welchen Bedingungen zeigt sich effektives Verhalten?

Entwickelt von Magiccat und kostenlos erhältlich. Das Training läuft lokal auf Ihrem Computer. Für Steam Workshop-Funktionen ist eine Anmeldung bei Steam erforderlich.

Offenlegung von KI-generierten Inhalten

Der Spieleentwickler beschreibt den Einsatz von KI-generierten Inhalten in diesem Spiel wie folgt:

This game uses AI-generated art assets.

Systemanforderungen

    Mindestanforderungen:
    • Setzt 64-Bit-Prozessor und -Betriebssystem voraus
    • Betriebssystem: Windows 10 64-bit
    • Prozessor: Intel Core i5-3470 或 AMD FX-8350
    • Arbeitsspeicher: 300 MB RAM
    • Grafik: NVIDIA GeForce GTX 660 或 AMD Radeon HD 7870
    • Speicherplatz: 1 GB verfügbarer Speicherplatz
    • Soundkarte: DirectX compatible sound card
    Empfohlen:
    • Setzt 64-Bit-Prozessor und -Betriebssystem voraus