Sciencemag.cz
Doporučujeme
Jeden z problémů statistické fyziky, studovaný již desítky let, se týká otázky, jak se má agent pohybovat, aby efektivně sbíral náhodně rozmístěné cíle. Agentem zde může být například bakterie hledající chemické látky, dravý pták na lovu nebo mikrorobot sbírající molekuly toxinů.
Otázka optimální strategie pohybu je obzvláště náročná v typickém případě, kdy distribuce potravy (či jiného zdroje) není agentovi známa, ale je prostorově korelovaná; to znamená, že se v prostoru mění kontinuálně, nikoli nárazově. Například bakterie nenalézají vysokou koncentraci živin pouze přímo u zdroje potravy, ale také v jeho okolí, protože příslušné molekuly se šíří difúzí.
Bakterie si vyvinuly tzv. chemotaktické vyhledávací strategie, které těchto korelací využívají. Zde měří změnu koncentrace potravy na své cestě a mění směr svého pohybu tak, aby se statisticky pohybovaly ve směru stoupající koncentrace (po gradientu). To jim umožňuje jednak využívat zkušenost s rostoucí koncentrací potravy v určitém směru, jednak zkoumat své prostředí, aby neustále kontrolovaly, zda se koncentrace nezvyšuje spíše jiným směrem.
Podobný problém se v současné době řeší v oblasti umělých mikrorobotů, kteří se podobně jako bakterie mohou autonomně pohybovat ve svém prostředí: jak je naprogramovat, aby účinně sbírali molekuly toxinů?
Statistická fyzika zatím nenašla uspokojivé obecné odpovědi na tyto problémy. Předchozí přístupy se omezovaly na fenomenologické modely. Proto je stále do značné míry nejasné, jak jsou vyhledávací strategie popsané ve fenomenologických modelech a evolučně vyvinuté strategie bakterií ve skutečnosti účinné.
Výzkumníci z TU Darmstadt (vedoucí výzkumu Benno Liebchen) nyní uvádějí, že poprvé vyvinuli metodu, pomocí níž lze systematicky určovat efektivní strategie hledání. V rámci modelu se uvažuje o agentovi, který se pohybuje konstantní rychlostí a může se v každém časovém kroku rozhodnout, zda bude pokračovat stejným směrem jako dosud, nebo zda směr svého pohybu změní (náhodně). Agent se mezi těmito dvěma možnostmi rozhoduje pomocí umělých neuronových sítí, do nichž se jako vstupní parametr mj. zadává koncentrace potravy viditelná pro agenta v jeho bezprostřední blízkosti. Globální rozložení potravy však agentovi zůstává neznámé.
Neuronové sítě byly trénovány v široké třídě náhodných prostředí koncentrace potravy. Výsledné vzorce pohybu agenta byly poté analyzovány. Až na několik detailů vykazovaly podobnost se vzorci pohybu skutečných bakterií a se vzorci pohybu popsanými fenomenologickými modely. Srovnání efektivity hledání potravy ale i přes tuto podobnost ukázalo výraznou převahu agentů vycvičených pomocí neuronových sítí, kteří dokázali mnohem lépe využívat strukturu svého prostředí než předchozí fenomenologické modely.
Výsledky výzkumu by se mohly ukázat jako užitečné pro programování budoucích „mikroplavců“, nanorobotů a inteligentních částic pro úkoly, jako je vyhledávání rakovinných buněk, mikroplastů nebo pro sanaci životního prostředí. Výsledky zároveň ukazují, jak velký přínos mohou mít ve fyzice nové nástroje strojového učení. Umožňují zkoumat problémy, které je téměř nemožné řešit běžnými výpočetními a simulačními metodami.
