Kan vi efterligne organismernes evne til at afkode vandmønstre for nye teknologier?

Formen af ​​vand. Kan den fortælle os, hvad der driver romantik? Blandt fisk, måske. Eva Kanso, en professor i rumfart og maskinteknik ved USC Viterbi School of Engineering studerer væskestrømme og næsten som en retsmedicinsk ekspert, Kanso, sammen med hendes team, studerer, hvordan akvatiske signaler transporteres gennem vandet.

Når det kommer til parring, små krebsdyr kaldet copepoder er en af ​​de mest rigelige multicellulære organismer, siger Kanso, Zohrab Kaprielian -stipendiat i teknik.

For at finde deres ægtefælle, mandlige copepoder søger efter og følger hunnens hydrodynamiske og kemiske spor. Forskere som Kanso mener, at vandorganismer sender og læser information gennem de bevægelser, de foretager, og de vågner, de efterlader i vandet. Spættet sæl, for eksempel, har vist sig at spore kølvandet på et objekt i bevægelse, selv når forseglingen er bind for øjnene og i første omgang akustisk maskeret. Forskere mener, at vandstrømmen koder for et informationsmønster - en type sprog, som en organisme kan kalde en anden til at parre sig med, bruges til at undgå rovdyr eller endda i tilfælde af laks, begynde migration opstrøms.

Ligesom en måges fodaftryk i sandet er anderledes end et menneskes, ethvert bevægeligt legeme i vandet genererer et andet mønster eller vågne baseret på visse faktorer, såsom størrelsen på den krop, der skabte det, eller den hastighed, hvormed det bevæger sig (et hurtigt svømmende og bange dyr kan generere et tydeligt kølvandet af mere hyppigere og hurtigere slag i halen). Kanso vil gerne forstå, hvordan disse vandstrømningsmønstre opfattes på lokalt niveau, af en organisme eller et bioinspireret køretøj, og afkode dem for at finde ud af, hvad der sker i vandet i større skala.

Ved hjælp af en beregningsfysisk model, Kanso, og ph.d. -studerende Brendan Colvert og Mohamad Alsalman, genereret forskellige væskestrømningsmønstre, derefter bruge maskinlæring, uddannet en algoritme til korrekt at identificere disse væskemønstre, opnå 99 procent nøjagtighed. Ved at gøre dette, forskerne udviklede en algoritme til, i en vis forstand, efterligner en akvatisk sensorisk intelligens med hensyn til de mønstre, der skabes i vand. Det er et af de første tilfælde, hvor machine learning blev anvendt til karakterisering af mønstre i væskestrømme.

Hvorfor betyder det noget? Overvej hvordan teknologier har udviklet sig baseret på den måde, en flagermus genererer bevidsthed om et miljø. Ligesom sonarbølger bruges af ubåde til aktivt at undersøge deres miljø, der kunne være navigationsanvendelser til viden om vandmønstre under havet. Uden GPS, undervandskøretøjer udstyret med sensorer, der er uddannet med sådanne algoritmer, kunne i princippet, registrere køretøjer af en bestemt størrelse og hastighed, kendt for at generere visse flowmønstre. Af samme grund, At forstå de mønstre, der gør en given vågne påviselig, kan hjælpe med at designe undervandsbiler, der efterlader ubemærket vågner.

Kanso og hendes team tester nu disse algoritmer på virkelige data og udvider deres anvendelsesområde til rumligt distribuerede netværk af sensorer, der har potentiale til at skabe mere robuste og præcise kort over strømningsmønstrene.

Artiklen blev for nylig offentliggjort i Bioinspiration og biomimetik .