Physical Reservoir Computing with soft robots: towards more efficient GenAI via soft robot design optimization

Physical Reservoir Computing (PRC) is a computational paradigm that has gained particular attention in recent years, as it merges the flexibility and accuracy of the underlying Reservoir Computing (RC) machine learning framework with the efficiency of morphological computation. This combination can potentially reduce the computational requirements of many applications and open the door to implementations such as the deployment of large next-generation Generative Artificial Intelligence (GenAI) models on edge devices. In particular, soft robots have become popular substrates for PRC, due to their inherent compliance and complex nonlinear dynamics. However, these systems currently handle only rudimentary tasks and still underperform compared to virtual RC reservoirs. This thesis addresses this problem by proposing an approach for optimizing the physical reservoir—i.e. the soft robot—by making it replicate as closely as possible the behaviour of a well-performing virtual reference reservoir. A physics-inspired Random Oscillators Network (RON) is chosen as nominal dynamics, and a suitable gradient-based optimization algorithm is employed to perform optimization of the morphological properties of the robot, as well as additional mapping and control parameters of the physical reservoir. The optimized structure resulting from this process is then tested on some common classification and time-series prediction machine learning benchmarking tasks, comparing its performance with that of the original reference reservoir and other non-optimized PRC systems. In all scenarios, the proposed approach leads to improved classification and prediction accuracy, achieving values close to the ones of the original RON and in any case higher than those of all other tested PRC structures. Nevertheless, some limitations are highlighted, mainly concerning the computational effort and the approximation capability of the physically constrained reservoir substrate.

Il Physical Reservoir Computing (PRC) è un paradigma computazionale che ha attirato particolare attenzione negli ultimi anni, in quanto unisce la flessibilità e l’accuratezza del Reservoir Computing (RC) in ambito di apprendimento automatico con l’efficienza del calcolo morfologico. Questa combinazione offre il potenziale di ridurre i requisiti computazionali in molte applicazioni, aprendo la strada ad implementazioni come l’esecuzione di pesanti modelli di Intelligenza Artificiale Generativa (GenAI) su dispositivi edge. In particolare, i robot soffici sono diventati substrati popolari per il PRC, grazie alla loro intrinseca deformabilità e alla complessa dinamica nonlineare. Tuttavia, questi sistemi riescono attualmente a gestire solamente compiti rudimentali, e mostrano prestazioni inferiori rispetto ai reservoir virtuali in ambito di RC. Questa tesi affronta tale problema proponendo un approccio per ottimizzare il reservoir fisico—ossia il robot soffice—cercando di rendere il suo comportamento il più vicino possibile a quello di un reservoir virtuale di riferimento che mostri buone prestazioni. Una Rete di Oscillatori Casuali (Random Oscillators Network, RON) ispirata alla fisica è presa come dinamica nominale, mentre un opportuno algoritmo di ottimizzazione basato sul gradiente viene impiegato per ottimizzare sia le proprietà morfologiche del robot, sia parametri aggiuntivi di mappatura e controllo all'interno del reservoir fisico. La risultante struttura ottimizzata viene poi testata su comuni task di classificazione e di predizione di serie temporali, confrontandone le prestazioni con quelle del reservoir originale di riferimento e anche rispetto a quelle di altri sistemi PRC non ottimizzati. In tutti gli scenari, l’approccio proposto porta ad un miglioramento dell'accuratezza di classificazione e predizione, raggiungendo valori comparabili a quelli del RON originale e in ogni caso migliori di quelli di tutte le altre strutture PRC testate. Nonostante questi risultati, restano alcune importanti limitazioni, principalmente legate all’elevato sforzo computazionale e alla capacità di approssimazione del substrato fisico nel reservoir.