science >> Wetenschap >  >> Elektronica

Slimme microrobots leren zwemmen en navigeren met kunstmatige intelligentie

Krediet:New Jersey Institute of Technology

Onderzoekers van de Santa Clara University, het New Jersey Institute of Technology en de University of Hong Kong zijn erin geslaagd microrobots met succes te leren zwemmen via diepversterkingsleren, wat een aanzienlijke sprong voorwaarts markeert in de vooruitgang van het microzwemmen.

Er is een enorme belangstelling geweest voor het ontwikkelen van kunstmatige microzwemmers die de wereld kunnen bevaren op dezelfde manier als natuurlijk voorkomende zwemmende micro-organismen, zoals bacteriën. Dergelijke microzwemmers zijn veelbelovend voor een breed scala aan toekomstige biomedische toepassingen, zoals gerichte medicijnafgifte en microchirurgie. Toch kunnen de meeste kunstmatige microzwemmers tot nu toe alleen relatief eenvoudige manoeuvres uitvoeren met vaste locomotorische gangen.

In de studie van de onderzoekers gepubliceerd in Communications Physics , redeneerden ze dat microzwemmers konden leren - en zich aanpassen aan veranderende omstandigheden - via AI. Net zoals mensen die leren zwemmen, versterkt leren en feedback nodig hebben om te blijven drijven en in verschillende richtingen voort te stuwen onder veranderende omstandigheden, zo moeten microzwemmers dat ook, zij het met hun unieke reeks uitdagingen die worden opgelegd door de natuurkunde in de microscopische wereld.

"Zelf kunnen zwemmen op microschaal is een uitdagende taak", zegt On Shun Pak, universitair hoofddocent werktuigbouwkunde aan de Santa Clara University. "Als je wilt dat een microzwemmer meer geavanceerde manoeuvres uitvoert, kan het ontwerp van hun voortbewegingsgangen snel onhandelbaar worden."

De kunstmatige intelligentie-aangedreven zwemmer schakelt autonoom tussen verschillende modi van locomotorische gangen (kleurgecodeerd) bij het volgen van een complex traject "SWIM. " Credit:Zou et al., "Gait-switching en gerichte navigatie van microzwemmers via diep versterkend leren", Commun. Fysio ., 5, 158 (2022) DOI:10.1038/s42005-022-00935-x

Door kunstmatige neurale netwerken te combineren met versterkend leren, leerde het team met succes een eenvoudige microzwemmer zwemmen en navigeren in een willekeurige richting. Wanneer de zwemmer op een bepaalde manier beweegt, krijgt hij feedback over hoe goed de specifieke actie is. De zwemmer leert dan geleidelijk hoe hij moet zwemmen op basis van zijn ervaringen in interactie met de omgeving.

"Net als een mens die leert zwemmen, leert de microzwemmer hoe hij zijn 'lichaamsdelen' - in dit geval drie microdeeltjes en uitbreidbare verbindingen - moet bewegen om zichzelf voort te stuwen en te draaien," zei Alan Tsang, assistent-professor werktuigbouwkunde aan de Universiteit van Hongkong. "Het doet dit zonder te vertrouwen op menselijke kennis, maar alleen op een machine learning-algoritme."

Als demonstratie van het krachtige vermogen van de zwemmer, toonden de onderzoekers aan dat hij een complex pad kon volgen zonder expliciet geprogrammeerd te zijn. Ze demonstreerden ook de robuuste prestaties van de zwemmer bij het navigeren onder de verstoringen die het gevolg zijn van externe vloeistofstromen.

"Dit is onze eerste stap in het aangaan van de uitdaging om microzwemmers te ontwikkelen die zich als biologische cellen kunnen aanpassen om autonoom door complexe omgevingen te navigeren", zegt Yuan-nan Young, hoogleraar wiskundige wetenschappen aan het New Jersey Institute of Technology.

Dergelijk adaptief gedrag is cruciaal voor toekomstige biomedische toepassingen van kunstmatige microzwemmers in complexe media met ongecontroleerde en onvoorspelbare omgevingsfactoren.

"Dit werk is een belangrijk voorbeeld van hoe de snelle ontwikkeling van kunstmatige intelligentie kan worden benut om onopgeloste uitdagingen op het gebied van voortbewegingsproblemen in de vloeistofdynamica aan te pakken", zegt Arnold Mathijssen, een expert op het gebied van microrobots en biofysica aan de Universiteit van Pennsylvania, die er niet bij betrokken was. bij het onderzoek. "De integratie tussen machine learning en microzwemmers in dit werk zal leiden tot verdere verbindingen tussen deze twee zeer actieve onderzoeksgebieden."