Warum der Bereich passt
Variations und Minimierung der erwarteten freien Energie werden mathematisch definiert, aber jede Anwendung von Active Inference – von einem Roboterarm bis zu einem psychiatrischen Modell bis hin zu einer Policy-Simulation – läuft letztendlich auf einer Implementierung eines generativen Modells, eines Inferenzmotors und einer numerischen Backend-Ausführung ab. Verschiedene Toolchains haben hier unterschiedliche Verpflichtungen übernommen: diskrete teilweise beobachtbare Markov-Entscheidungsprozesse im Vergleich zu kontinuierlicher Zustandsdynamik, Batch-Berechnung im Vergleich zu reaktivem Streaming, handgefertigte generative Modelle im Vergleich zu gelernten Modellen und numerische im Vergleich zu symbolischen Darstellungen von Überzeugungen und Zielen. Da die anderen Domain-Seiten des Instituts jede Anwendung von Active Inference in einem Feld beschreiben, beschreibt diese Seite die gemeinsame Rechenebene unter ihnen – die Toolchains, die ein Modellbauer tatsächlich aufnimmt, um von Theorie zu einer funktionierenden Simulation überzugehen.
Vier Werkzeugketten, vier Paradigmen
PyMDP ist ein Python-Paket zur Simulation aktiver Inferenzagenten in diskreten Zustands-Markov-Entscheidungsprozess-Umgebungen, das Modellierern ein POMDP-ähnliches generatives Modell, Variationsinferenzen über verborgene Zustände und eine auf erwartetem Free Energy basierende Richtlinienauswahl in einer weit verbreiteten Referenzimplementierung bietet. RxInfer.jl, die bei BIASlab in Eindhoven entwickelte Software, verfolgt einen anderen Ansatz: Sie führt reaktive Nachrichtenübermittlung auf Forney-Faktor-Graphen durch, anstatt direkt mit Bayes-Graphen oder expliziten POMDPs zu arbeiten, so dass die Inferenz ereignisgesteuert und nicht im festen Takt ausgeführt wird, was für Streaming-Daten und das Skalieren von Modellen mit einer großen Anzahl von Parametern Vorteile bringt. SPM (Statistical Parametric Mapping), eine von Karl Friston an der MRC Cyclotron Unit Ende der 1980er Jahre erstellte MATLAB-Plattform zur statistischen Analyse von fMRI-, PET- und EEG-Daten, geht der aktiven Inferenz voraus – ihr allgemeines lineares Modell und die Gaussian Field Theory-Maschinerie entwickelten sich parallel dazu und trugen maßgeblich zur Free Energy Formalismus bei, und sie wird auch heute noch als historischer Eckpfeiler und Werkzeug für Analysen eingesetzt. Symbolic Cognitive Robotics, das auf Jean-Francois Cloutiers karma_system Projekt basiert, verfolgt einen vierten Weg, indem sie symbolisches Denken mit aktiver Inferenz kombiniert, so dass generative Modelle, Überzeugungen und Ziele als symbolische Strukturen anstelle von rein numerischen dargestellt werden, während gleichzeitig Richtlinien durch erwartete Free Energy Minimierung ausgewählt werden.
Institutbezogene Entwicklung und Lernaktivitäten
Die RxInfer.jl Lern-Gruppe ist ein aktives Institutsprojekt, das sich direkt mit den Entwicklern von RxInfer.jl bei der Open-Source-Entwicklung zusammenarbeitet, einschließlich Visualisierungstechniken für die zugrunde liegenden Faktorgraphen im Code-Editor; die Gruppe hat regelmäßige synchrone Sitzungen durchgeführt und Mitwirkende mit unterschiedlichem Hintergrund in Julia und Bayes’schen Modellierungen für anwendungsorientierte Projekte gewonnen. Symbolische Kognitive Robotik ist das Werk von Jean-Francois Cloutier, einem Forschungswissenschaftler, der mit dem Institut verbunden ist, der die karma_system-Methode in robotergestützter Planung und symbolischen Problemlösungssettings demonstriert hat; Robotik war auch ein Schwerpunkt des Instituts’ zweitem Applied Active Inference Symposium. PyMDP, das außerhalb des Instituts gepflegt wird, wurde in den eigenen ModelStream-Lernsessions des Instituts vorgestellt, was seine Rolle als gemeinsames Referenzimplementierung für die breitere Community widerspiegelt und nicht als Werkzeug einer einzelnen Laborgruppe.
Offene Probleme
Die oben genannten Toolchains verwenden nicht ein gemeinsames generatives Modellformat, einen Inferenzalgorithmus oder eine numerische Backend-Implementierung, sodass ein in einem erstelltes Modell ohne umfangreiche Neufassung nicht auf andere übertragen werden kann und es noch keine standardisierten Benchmarks gibt, um sie hinsichtlich Genauigkeit, Geschwindigkeit oder Skalierverhalten gegeneinander zu vergleichen. Die Aufteilung in diskrete/kontinuierliche/symbolische Zustände bedeutet auch, dass Praktiker sich frühzeitig für eine Paradigma entscheiden müssen – POMDP-ähnliche diskrete Zustände, kontinuierliches Nachrichtenübermitteln oder symbolische Darstellungen – und dabei nur begrenzt Werkzeuge zur Kombination dieser innerhalb eines Modells haben. Die Dokumentation und die Reifegrad der Verpackung variieren erheblich: Einige Tools verfügen über Tutorials und strukturierte Lerngruppen, während andere näher an Forschungs- als an verteilter Software liegen. Wie bei den anderen Anwendungsbereichen der aktiven Inferenz beruhen Behauptungen über Akzeptanz und Leistungsvorteile eher auf demonstrierten Konzeptbeweisen und aktivem Community-Entwicklungsprogramm als auf systematischen, unabhängigen Vergleichen mit etablierten Alternativen.
Referenz-Grundgerüst
„Active Inference Institute