Fysikere skaber ny metode til systematisk at bestemme effektive søgestrategier

Forskere ved TU Darmstadt har nu præsenteret en tilgang i Proceedings of the National Academy of Sciences (PNAS ), der kan bruges til systematisk at bestemme effektive søgestrategier. Det kunne hjælpe til intelligent design af opgaver såsom at søge efter kræftceller eller miljømæssige rehabiliteringer i fremtiden.

Et problem i statistisk fysik, som er blevet undersøgt i årtier, adresserer spørgsmålet om, hvordan en "agent" skal bevæge sig for effektivt at indsamle tilfældigt fordelte mål. Det kan for eksempel være en bakterie på jagt efter essentielle kemikalier, en rovfugl på jagt efter mad eller en (mikro)robot, der samler toksinmolekyler eller affaldsmaterialer.

Spørgsmålet om den optimale bevægelsesstrategi er særligt udfordrende i det typiske tilfælde, hvor fødevarefordelingen er ukendt for midlet, men er rumligt korreleret; det vil sige, at det ændrer sig løbende i rummet snarere end brat. For eksempel finder bakterier ikke kun en høj koncentration af næringsstoffer direkte ved en fødekilde, men også i området omkring den, fordi de tilsvarende molekyler spredes diffust.

Bakterier har udviklet såkaldte kemotaktiske søgestrategier til at udnytte sådanne korrelationer. Her måler de ændringen i fødevarekoncentration langs deres vej og ændrer deres bevægelsesretning, så de statistisk bevæger sig i retning af stigende koncentration. Dette giver dem mulighed for både at drage fordel af deres oplevelse af, at fødevarekoncentrationen stiger i en bestemt retning, og til at udforske deres omgivelser for hele tiden at tjekke, om fødevarekoncentrationen måske stiger mere i en anden retning.

Der er i øjeblikket et lignende problem inden for kunstige mikrosvømmere, der ligesom bakterier kan bevæge sig autonomt i deres miljø:hvordan kan de programmeres til effektivt at indsamle toksinmolekyler eller mikroplastik?

Statistisk fysik har endnu ikke fundet tilfredsstillende svar på sådanne udfordrende søgeproblemer. Tidligere tilgange har været begrænset til fænomenologiske modeller, som i det væsentlige kun beskriver bevægelsen af ​​bakterier. På samme måde er der stadig ingen systematiske tilgange til systematisk at bestemme de optimale søgestrategier. Derfor er det stadig stort set uklart, hvor effektive søgestrategierne beskrevet i fænomenologiske modeller og de evolutionært udviklede taktikker (strategier) af bakterierne egentlig er.

Forskere ved TU Darmstadt fra Soft Matter Theory Group ledet af professor Benno Liebchen (Institut for Fysik, Institut for Kondenseret Materiel Fysik) har nu taget et kig på denne videnskløft. Som en del af publikationen "Smarte aktive partikler lærer og transcenderer bakterielle fødesøgningsstrategier" har de for første gang udviklet en metode til systematisk at bestemme effektive søgestrategier.

Heri betragtes en agent, der bevæger sig med konstant hastighed, og som i hvert tidstrin kan beslutte enten at fortsætte i samme retning som sidste gang eller at ændre sin bevægelsesretning (tilfældigt). Midlet vælger mellem disse to muligheder ved hjælp af kunstige neurale netværk, hvori blandt andet den "fødevarekoncentration", der er synlig for midlet i dets umiddelbare nærhed, tilføres. Den globale distribution af maden er dog stadig ukendt for agenten.

De neurale netværk blev trænet i en bred klasse af tilfældige "fødevarekoncentrations"-miljøer. Agentens resulterende bevægelsesmønstre blev derefter analyseret. Interessant nok, med undtagelse af nogle få slående detaljer, viste disse en slående lighed med bevægelsesmønstrene for rigtige bakterier og med bevægelsesmønstrene beskrevet af fænomenologiske modeller.

Hvad der dog var endnu mere overraskende, var resultatet af en sammenligning af effektiviteten af ​​søgningen efter mad. Dette viste en klar overlegenhed af de midler, der blev trænet ved hjælp af neurale netværk, som var meget bedre til at udnytte strukturen i deres miljø, end det kunne beskrives af tidligere fænomenologiske modeller.

Forskningsresultaterne kan vise sig nyttige til programmering af fremtidige mikrosvømmere, nanorobotter og smarte partikler til opgaver som at søge efter kræftceller, mikroplastik eller til miljørehabilitering.

Samtidig viser resultaterne de store fordele, som nye maskinlæringsværktøjer – ud over big data og store sprogmodeller – kan have i fysik. De gør det muligt at undersøge problemer, der er næsten umulige at løse med konventionelle beregnings- og simuleringsmetoder.

Flere oplysninger: Mahdi Nasiri et al., Smarte aktive partikler lærer og overskrider bakterielle fourageringsstrategier, Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2317618121

Journaloplysninger: Proceedings of the National Academy of Sciences

Leveret af Technische Universitat Darmstadt