De vorm van water. Kan het ons vertellen wat romantiek drijft? Onder vissen, het zou kunnen. Eva Kanso, een professor in Lucht- en Ruimtevaarttechniek aan de USC Viterbi School of Engineering bestudeert vloeistofstromen en bijna als een forensisch expert, Kanso, samen met haar team bestudeert hoe aquatische signalen door het water worden getransporteerd.

Als het om paren gaat, kleine kreeftachtigen, roeipootkreeftjes genaamd, zijn een van de meest voorkomende meercellige organismen, zegt Kanso, de Zohrab Kaprielian Fellow in Engineering.

Om hun partner te vinden, mannelijke roeipootkreeftjes zoeken naar en volgen het hydrodynamische en chemische spoor van het vrouwtje. Wetenschappers zoals Kanso geloven dat waterorganismen informatie doorgeven en lezen door de bewegingen die ze maken en de kielzog die ze achterlaten in het water. Gewone zeehonden, bijvoorbeeld, waarvan is aangetoond dat ze het kielzog van een bewegend object volgen, zelfs wanneer de zeehond geblinddoekt en aanvankelijk akoestisch gemaskeerd is. Onderzoekers geloven dat de stroom van water een informatiepatroon codeert - een soort taal waarmee een organisme een ander kan oproepen om te paren, gebruiken om roofdieren te vermijden of zelfs in het geval van zalm, stroomopwaartse migratie beginnen.

Net zoals de voetafdruk van een zeemeeuw in het zand anders is dan die van een mens, elk bewegend lichaam in het water genereert een ander patroon of kielzog op basis van bepaalde factoren, zoals de grootte van het lichaam dat het heeft gecreëerd of de snelheid waarmee het beweegt (een snelzwemmend en bang dier kan een duidelijk kielzog genereren door de meer frequente en snellere slag van zijn staart). Kanso wil graag begrijpen hoe deze waterstromingspatronen op lokaal niveau worden waargenomen, door een organisme of een bio-geïnspireerd voertuig, en ontcijfer ze om vast te stellen wat er op grotere schaal in het water gebeurt.

Met behulp van een computationeel natuurkundig model, Kanso, en promovendi Brendan Colvert en Mohamad Alsalman, genereerde verschillende vloeistofstroompatronen, vervolgens met behulp van machine learning, een algoritme getraind om deze vloeistofpatronen correct te identificeren, het bereiken van een nauwkeurigheid van 99 procent. Door dit te doen, de onderzoekers ontwikkelden een algoritme om, in zekere zin, bootsen een aquatische zintuiglijke intelligentie na met betrekking tot de patronen die in water worden gecreëerd. Het is een van de eerste gevallen waarin machine learning werd toegepast om patronen in vloeistofstromen te karakteriseren.

Waarom maakt het uit? Bedenk hoe technologieën zijn geëvolueerd op basis van de manier waarop een vleermuis bewustzijn van een omgeving genereert. Net zoals sonargolven door onderzeeërs worden gebruikt om hun omgeving actief te onderzoeken, er kunnen navigatietoepassingen zijn voor kennis van waterpatronen onder de zee. Zonder GPS, onderwatervoertuigen die zijn uitgerust met sensoren die zijn getraind met dergelijke algoritmen, kunnen, in principe, voertuigen van een bepaalde grootte en snelheid detecteren, waarvan bekend is dat ze bepaalde stromingspatronen genereren. Op dezelfde manier, het begrijpen van de patronen die een bepaald kielzog detecteerbaar maken, kan helpen bij het ontwerpen van onderwatervoertuigen die onopvallende kielzog achterlaten.

Kanso en haar team testen deze algoritmen nu op real-life data en breiden hun reikwijdte uit naar ruimtelijk verdeelde netwerken van sensoren die het potentieel hebben om robuustere en nauwkeurigere kaarten van de stroompatronen te maken.

Het artikel is onlangs gepubliceerd in Bio-inspiratie en biomimetica .