_ Fizicianul creează o nouă metodă pentru a determina sistematic eficienta strategii de căutare

Cercetătorii de la TU Darmstadt au prezentat acum o abordare în Proceedings of the National Academy of Sciences (PNAS) care poate fi folosită pentru a determina în mod sistematic strategii de căutare eficiente. Ar putea ajuta la proiectarea inteligentă a sarcinilor, cum ar fi căutarea celulelor canceroase sau reabilitarea mediului în viitor.

O problemă din fizica statistică care a fost studiată de zeci de ani abordează întrebarea cum trebuie să facă un „agent” mutați pentru a colecta eficient ținte distribuite aleatoriu. Aceasta poate fi, de exemplu, o bacterie în căutare de substanțe chimice esențiale, o pasăre de pradă în căutarea hranei sau un (micro)robot care colectează molecule de toxine sau deșeuri.

Întrebarea optimului. strategia de mișcare este deosebit de dificilă în cazul tipic în care distribuția alimentelor este necunoscută agentului, dar este corelată spațial; adică se schimbă continuu în spațiu, mai degrabă decât brusc. De exemplu, bacteriile nu numai că găsesc o concentrație mare de nutrienți direct la o sursă de hrană, ci și în zona din jurul acesteia, deoarece moleculele corespunzătoare se răspândesc difuziv.

Bacteriile au dezvoltat așa-numitele strategii de căutare chimiotactică pentru a le exploata astfel de corelații. Aici, ei măsoară modificarea concentrației alimentelor de-a lungul traseului lor și își schimbă direcția de mișcare, astfel încât să se deplaseze statistic în direcția de concentrare ascendentă. Acest lucru le permite atât să profite de experiența lor de creștere a concentrației de alimente într-o direcție specifică, cât și să exploreze mediul lor pentru a verifica în mod constant dacă concentrația de alimente ar putea crește mai mult într-o altă direcție.

În prezent există o problemă similară în domeniul microînotătorilor artificiali care, la fel ca bacteriile, se pot mișca autonom în mediul lor: cum pot fi programați să colecteze eficient molecule de toxine sau microplastice?

Fizica statistică nu a găsit încă răspunsuri satisfăcătoare la astfel de probleme de căutare provocatoare. Abordările anterioare s-au limitat la modele fenomenologice, care descriu în esență doar mișcarea bacteriilor. În același mod, încă nu există abordări sistematice pentru a determina în mod sistematic strategiile optime de căutare. De aceea, este încă neclar cât de eficiente sunt cu adevărat strategiile de căutare descrise în modelele fenomenologice și tacticile (strategiile) dezvoltate evolutiv de către bacterii.

Cercetătorii de la TU Darmstadt de la Soft Matter Theory Group condus de Profesorul Benno Liebchen (Departamentul de Fizică, Institutul pentru Fizica Materiei Condensate) a aruncat o privire asupra acestei lacune de cunoștințe. Ca parte a publicației „Particulele active inteligente învață și transcend strategiile de hrană pentru bacterii”, aceștia au dezvoltat, pentru prima dată, o metodă pentru a determina în mod sistematic strategii de căutare eficiente.

În aceasta, un agent este considerat că se deplasează cu o viteză constantă și care poate decide în fiecare pas de timp fie să continue în aceeași direcție ca data trecută, fie să își schimbe direcția de mișcare (aleatoriu). Agentul alege între aceste două opțiuni cu ajutorul rețelelor neuronale artificiale, în care, printre altele, este alimentată „concentrația de alimente” vizibilă agentului în imediata sa vecinătate. Cu toate acestea, distribuția globală a alimentelor rămâne necunoscută agentului.

Rețelele neuronale au fost antrenate într-o clasă largă de medii aleatorii de „concentrare a alimentelor”. Au fost apoi analizate modelele de mișcare rezultate ale agentului. Interesant, cu excepția câtorva detalii izbitoare, acestea au arătat o asemănare izbitoare cu modelele de mișcare ale bacteriilor reale și cu modelele de mișcare descrise de modelele fenomenologice.

Ceea ce a fost și mai surprinzător, însă, a fost rezultatul unei comparații a eficienței căutării hranei. Acest lucru a arătat o superioritate clară a agenților antrenați prin intermediul rețelelor neuronale, care au fost mult mai buni în exploatarea structurii mediului lor decât ar putea fi descris de modelele fenomenologice anterioare.

Rezultatele cercetării s-ar putea dovedi utile pentru programare. viitorii microînotători, nanoroboți și particule inteligente pentru sarcini precum căutarea de celule canceroase, microplastice sau pentru reabilitarea mediului.

În același timp, rezultatele demonstrează marile beneficii pe care noile instrumente de învățare automată – dincolo de datele mari și modele mari de limbaj — poate avea în fizică. Acestea fac posibilă investigarea problemelor care sunt aproape imposibil de rezolvat cu metodele convenționale de calcul și simulare.

(Fluierul)