هوش مصنوعی
مدل SCAMPER حرکت طبیعی موش مجازی را در یادگیری هدف‌محور و اکتشاف شبیه‌سازی می‌کند
پژوهشگران سامانه‌ای معرفی کرده‌اند که با دو پیش‌فرض حرکتی و رفتاری، هم رفتارهای هدفمند و هم اکتشاف تصادفی موش مجازی را طبیعی‌تر می‌سازد.
پژوهشگران در مقاله‌ای پیش‌چاپ در arXiv از SCAMPER رونمایی کرده‌اند؛ سامانه‌ای برای آموزش یک موش مجازیِ جسم‌مند که هم هنگام انجام وظایف هدف‌محور و هم در جریان اکتشاف تصادفی، حرکت‌هایی طبیعی داشته باشد. مقاله می‌گوید پژوهش‌های پیشین بدن‌های مجازی حیوانات و روش‌هایی برای یادگیری حرکت از راه تقلید ارائه کرده بودند، اما سامانه‌ای که هر دو نوع رفتار را پوشش دهد وجود نداشت.
SCAMPER از معماری‌ای با دو پیش‌فرض متمایز بهره می‌برد: پیش‌فرض حرکتی برای کنترل و پیش‌فرض رفتاری برای اکتشاف. به گفتهٔ نویسندگان، ترکیب این دو به مدل امکان می‌دهد هنگام اکتشاف رفتار واقع‌گرایانه تولید کند و هم‌زمان ساختار وظیفه را به‌خوبی به کار بگیرد. تنوع حرکت‌هایی که پیش‌فرض رفتاری ایجاد می‌کند همچنین به سامانه کمک می‌کند از پاداش‌های پراکنده یاد بگیرد و وظایف کم‌پاداشی را مدل کند که در عصب‌پژوهی تجربی بررسی می‌شوند.
مقاله با پذیرش در NeurIPS 2026 منتشر شده است. نویسندگان SCAMPER را ابزاری تازه برای آموزش مدل‌های جسم‌مند جوندگان در وظایف واقع‌گرایانه معرفی می‌کنند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده