Forskare vid Australian National University (ANU) har utformat en ny typ av intelligent system baserat på djupinlärning som kan lära sig att lösa beslutsfattande problem, inklusive problem som är mer komplexa än de har tränats att lösa.

Deep learning är en populär artificiell intelligensteknik för uppgifter som att skapa bildtexter för att beskriva bilder, att transkribera tal till text och lära sig spela videospel eller brädspel bara från bilder.

Ledande forskare Sam Toyer sa att systemet, kallas Action Schema Networks (ASNets), kan hypotetiskt möjliggöra för en robot att lära sig navigera i ett golv med 10 rum, och sedan kunna vandra på ett golv med tusentals rum.

"ASNets förmåga att lösa mycket större problem är en spelväxlare, "sade Mr Toyer, som utvecklade ASNets som en del av sin avhandling under sin Bachelor of Advanced Computing (Research &Development) vid ANU och belönades med en universitetsmedalj.

"Med vårt ASNet-baserade system, vi kan eventuellt skapa nya cybersäkerhetsapplikationer som hittar systemproblem eller designa ny robotprogramvara för att utföra specialiserade uppgifter i automatiserade lager eller obemannade rymduppdrag. "

Mr Toyer sa att intelligenta system förlitade sig på automatiserad planeringsteknik för att fatta beslut.

"Oavsett om det är en Mars -rover som väljer var man ska ta bilder, eller ett smart rutnät som bestämmer hur ett fel ska isoleras, du behöver en planeringsalgoritm för att välja det bästa tillvägagångssättet. "

Mr Toyer sa några djupa inlärningsbaserade system, inklusive AlphaGo, hade använts för att lösa beslutsfattande problem.

"AlphaGo, som uppnådde övermänsklig skicklighet i spelet Go, är ett nytt och välkänt exempel, " han sa.

"Dock, system som AlphaGo kan bara spela spelet på en fast brädstorlek.

"I kontrast, ASNets kan lära sig att lösa problem med variabel storlek. Detta gör att de snabbt kan lära sig vad de behöver veta på små, enkla problem, överför sedan den kunskapen direkt till mycket större problem utan omskolning. "

Medforskare Dr Felipe Trevizan från ANU och CSIRO's Data61 sa att ASNet inte tävlade mot en motståndare som AlphaGo gör.

"Snarare, det är specialiserat på att lösa problem i dynamiska och osäkra miljöer, " han sa.

Professor Sylvie Thiébaux, en av ANU -akademikerna som övervakar Mr Toyers avhandling, sa att forskningen var ett bevis på koncept, som skulle kunna vidareutvecklas med industrin för att använda inom intelligent robotik för att utföra uppgifter självständigt i en mängd olika inställningar.

Hon sa att systemet lärde sig att spela ett spel för att ordna upp till 35 block i en viss formation, har bara fått 25 problem med att använda upp till nio block som en del av sin utbildning.

"Vi gav ASNets en beskrivning av spelet, några exempel på planer för enkla problem med ett litet antal block, och sedan lärde det sig att lösa mycket mer komplexa problem, "sade professor Thiébaux från ANU Research School of Computer Science.

Docent Lexing Xie från ANU Research School of Computer Science, som var handledare till Mr Toyers avhandling, sa att ASNets var ett kreativt sätt att använda djupinlärning.

"Detta arbete är det första som lånar mönster för visuellt erkännande för att lösa beslutsfattande problem som ser väldigt olika ut i naturen, men dela logiska strukturer, " Hon sa.