Onderzoekers van de TU Darmstadt hebben nu een aanpak gepresenteerd in Proceedings of the National Academy of Sciences (PNAS ) die gebruikt kunnen worden om systematisch efficiënte zoekstrategieën te bepalen. Het zou kunnen helpen bij het intelligent ontwerpen van taken zoals het zoeken naar kankercellen of milieurehabilitaties in de toekomst.

Eén probleem in de statistische natuurkunde dat al tientallen jaren wordt bestudeerd, heeft betrekking op de vraag hoe een ‘agent’ moet bewegen om efficiënt willekeurig verdeelde doelen te verzamelen. Dit kan bijvoorbeeld een bacterie zijn op zoek naar essentiële chemicaliën, een roofvogel op jacht naar voedsel, of een (micro)robot die gifmoleculen of afvalstoffen verzamelt.

De vraag naar de optimale bewegingsstrategie is vooral een uitdaging in het typische geval waarin de voedseldistributie onbekend is bij de agent, maar ruimtelijk gecorreleerd is; dat wil zeggen, het verandert voortdurend in de ruimte in plaats van abrupt. Bacteriën vinden bijvoorbeeld niet alleen een hoge concentratie aan voedingsstoffen direct bij een voedselbron, maar ook in de omgeving eromheen omdat de overeenkomstige moleculen zich diffuus verspreiden.

Bacteriën hebben zogenaamde chemotactische zoekstrategieën ontwikkeld om dergelijke correlaties te exploiteren. Hier meten ze de verandering in de voedselconcentratie langs hun pad en veranderen ze hun bewegingsrichting zodat ze statistisch gezien in de richting van stijgende concentratie bewegen. Hierdoor kunnen ze allebei profiteren van hun ervaring met het toenemen van de voedselconcentratie in een bepaalde richting en hun omgeving verkennen om voortdurend te controleren of de voedselconcentratie in een andere richting misschien nog meer toeneemt.

Er is momenteel een soortgelijk probleem op het gebied van kunstmatige microzwemmers die, net als bacteriën, autonoom in hun omgeving kunnen bewegen:hoe kunnen ze worden geprogrammeerd om efficiënt toxinemoleculen of microplastics te verzamelen?

De statistische natuurkunde heeft nog geen bevredigende antwoorden gevonden op dergelijke uitdagende zoekproblemen. Eerdere benaderingen bleven beperkt tot fenomenologische modellen, die in wezen alleen de beweging van bacteriën beschrijven. Om dezelfde reden bestaan ​​er nog steeds geen systematische benaderingen om systematisch de optimale zoekstrategieën te bepalen. Daarom is het nog grotendeels onduidelijk hoe efficiënt de zoekstrategieën beschreven in fenomenologische modellen en de evolutionair ontwikkelde tactieken (strategieën) door de bacteriën werkelijk zijn.

Onderzoekers van de TU Darmstadt van de Soft Matter Theory Group onder leiding van professor Benno Liebchen (Departement Natuurkunde, Instituut voor Gecondenseerde Materie Fysica) hebben nu naar deze kennislacune gekeken. Als onderdeel van de publicatie 'Smart active deeltjes leren en overstijgen bacteriële foerageerstrategieën' hebben ze voor het eerst een methode ontwikkeld om systematisch efficiënte zoekstrategieën te bepalen.

Daarin wordt gekeken naar een agent die met een constante snelheid beweegt en die bij elke tijdstap kan beslissen om óf in dezelfde richting verder te gaan als de vorige keer óf om (willekeurig) van bewegingsrichting te veranderen. De agent kiest tussen deze twee opties met behulp van kunstmatige neurale netwerken, waarin onder meer de voor de agent zichtbare "voedselconcentratie" in zijn directe omgeving wordt gevoed. De mondiale distributie van het voedsel blijft echter onbekend bij de agent.

De neurale netwerken werden getraind in een brede klasse van willekeurige ‘voedselconcentratie’-omgevingen. De resulterende bewegingspatronen van de agent werden vervolgens geanalyseerd. Interessant genoeg vertoonden deze, met uitzondering van enkele opvallende details, een opvallende gelijkenis met de bewegingspatronen van echte bacteriën en met de bewegingspatronen beschreven door fenomenologische modellen.

Nog verrassender was echter het resultaat van een vergelijking van de efficiëntie van de zoektocht naar voedsel. Hieruit bleek een duidelijke superioriteit van de agenten die waren getraind door middel van neurale netwerken, die veel beter waren in het exploiteren van de structuur van hun omgeving dan beschreven kon worden door eerdere fenomenologische modellen.

De onderzoeksresultaten zouden nuttig kunnen zijn voor het programmeren van toekomstige microzwemmers, nanorobots en slimme deeltjes voor taken zoals het zoeken naar kankercellen, microplastics of voor herstel van het milieu.

Tegelijkertijd tonen de resultaten de grote voordelen aan die nieuwe machine learning-tools – afgezien van big data en grote taalmodellen – kunnen hebben in de natuurkunde. Ze maken het mogelijk om problemen te onderzoeken die vrijwel onmogelijk op te lossen zijn met conventionele computer- en simulatiemethoden.

Meer informatie: Mahdi Nasiri et al., Slimme actieve deeltjes leren en overstijgen bacteriële foerageerstrategieën, Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2317618121

Journaalinformatie: Proceedings van de Nationale Academie van Wetenschappen

Aangeboden door Technische Universitat Darmstadt