محققان دانشگاه سانتا کلارا، موسسه فناوری نیوجرسی و دانشگاه هنگ کنگ توانسته‌اند با موفقیت به میکروربات‌ها نحوه شنا کردن از طریق یادگیری تقویتی عمیق را آموزش دهند که جهشی قابل توجه در پیشرفت قابلیت شنای میکروسکوپی را نشان می‌دهد.
علاقه فوق العاده ای به توسعه ریزشناگران مصنوعی وجود دارد که می توانند مانند میکروارگانیسم های شنای طبیعی مانند باکتری ها در جهان حرکت کنند. چنین ریزشناگرهایی نویدبخش طیف وسیعی از کاربردهای زیست پزشکی در آینده مانند تحویل داروی هدفمند و جراحی میکروسکوپی هستند. با این حال، بیشتر ریزشناگران مصنوعی تا به امروز تنها می توانند مانورهای نسبتا ساده ای را با راه رفتن های حرکتی ثابت انجام دهند.
در این مطالعه محققان استدلال کردند که ریزشناگران می توانند از طریق هوش مصنوعی یاد بگیرند و با شرایط متغیر سازگار شوند. درست مانند انسان هایی که شنا را یاد می گیرند، برای شناور ماندن و حرکت به جهات مختلف تحت شرایط متغیر، نیاز به یادگیری تقویتی و بازخورد دارند، ریزشناگرها نیز باید با مجموعه چالش های منحصر به فردشان که توسط فیزیک در دنیای میکروسکوپی تحمیل شده است روبرو شوند.
این تیم با ترکیب شبکه های عصبی مصنوعی با یادگیری تقویتی، با موفقیت به یک میکروشناگر ساده و حرکت به سمت هر جهت دلخواه را آموزش داد. هنگامی که شناگر به روش‌های خاصی حرکت می‌کند، بازخوردی در مورد خوب بودن یک اقدام خاص دریافت می‌کند. سپس شناگر بر اساس تجربیات خود در تعامل با محیط اطراف به تدریج یاد می گیرد که چگونه شنا کند.
شناگر مجهز به هوش مصنوعی قادر است بین راه رفتن های حرکتی مختلف به صورت تطبیقی جابجا شود تا به تنهایی به سمت مکان هدف حرکت کند.
به عنوان نمایشی از توانایی قدرتمند شناگر، محققان نشان دادند که می‌تواند مسیر پیچیده‌ای را بدون برنامه‌ریزی صریح دنبال کند. آنها همچنین عملکرد قوی شناگر را در جهت یابی تحت آشفتگی های ناشی از جریان سیال خارجی نشان دادند.
یوان نان یانگ، استاد علوم ریاضی در موسسه فناوری نیوجرسی، گفت: «این اولین گام ما در مقابله با چالش توسعه میکروشناگرهایی است که می‌توانند مانند سلول‌های بیولوژیکی در مسیریابی مستقل در محیط‌های پیچیده سازگار شوند.
چنین رفتارهای تطبیقی برای کاربردهای زیست پزشکی آتی ریزشناگران مصنوعی در محیط های پیچیده با عوامل محیطی کنترل نشده و غیرقابل پیش بینی حیاتی هستند.»
آرنولد ماتیجسن گفت: «این کار نمونه‌ای کلیدی است از اینکه چگونه توسعه سریع هوش مصنوعی ممکن است برای مقابله با چالش‌های حل‌نشده در مشکلات حرکتی در دینامیک سیالات مورد استفاده قرار گیرد. »
علاقه فوق العاده ای به توسعه ریزشناگران مصنوعی وجود دارد که می توانند مانند میکروارگانیسم های شنای طبیعی مانند باکتری ها در جهان حرکت کنند. چنین ریزشناگرهایی نویدبخش طیف وسیعی از کاربردهای زیست پزشکی در آینده مانند تحویل داروی هدفمند و جراحی میکروسکوپی هستند. با این حال، بیشتر ریزشناگران مصنوعی تا به امروز تنها می توانند مانورهای نسبتا ساده ای را با راه رفتن های حرکتی ثابت انجام دهند.
در این مطالعه محققان استدلال کردند که ریزشناگران می توانند از طریق هوش مصنوعی یاد بگیرند و با شرایط متغیر سازگار شوند. درست مانند انسان هایی که شنا را یاد می گیرند، برای شناور ماندن و حرکت به جهات مختلف تحت شرایط متغیر، نیاز به یادگیری تقویتی و بازخورد دارند، ریزشناگرها نیز باید با مجموعه چالش های منحصر به فردشان که توسط فیزیک در دنیای میکروسکوپی تحمیل شده است روبرو شوند.
این تیم با ترکیب شبکه های عصبی مصنوعی با یادگیری تقویتی، با موفقیت به یک میکروشناگر ساده و حرکت به سمت هر جهت دلخواه را آموزش داد. هنگامی که شناگر به روش‌های خاصی حرکت می‌کند، بازخوردی در مورد خوب بودن یک اقدام خاص دریافت می‌کند. سپس شناگر بر اساس تجربیات خود در تعامل با محیط اطراف به تدریج یاد می گیرد که چگونه شنا کند.
شناگر مجهز به هوش مصنوعی قادر است بین راه رفتن های حرکتی مختلف به صورت تطبیقی جابجا شود تا به تنهایی به سمت مکان هدف حرکت کند.
به عنوان نمایشی از توانایی قدرتمند شناگر، محققان نشان دادند که می‌تواند مسیر پیچیده‌ای را بدون برنامه‌ریزی صریح دنبال کند. آنها همچنین عملکرد قوی شناگر را در جهت یابی تحت آشفتگی های ناشی از جریان سیال خارجی نشان دادند.
یوان نان یانگ، استاد علوم ریاضی در موسسه فناوری نیوجرسی، گفت: «این اولین گام ما در مقابله با چالش توسعه میکروشناگرهایی است که می‌توانند مانند سلول‌های بیولوژیکی در مسیریابی مستقل در محیط‌های پیچیده سازگار شوند.
چنین رفتارهای تطبیقی برای کاربردهای زیست پزشکی آتی ریزشناگران مصنوعی در محیط های پیچیده با عوامل محیطی کنترل نشده و غیرقابل پیش بینی حیاتی هستند.»
آرنولد ماتیجسن گفت: «این کار نمونه‌ای کلیدی است از اینکه چگونه توسعه سریع هوش مصنوعی ممکن است برای مقابله با چالش‌های حل‌نشده در مشکلات حرکتی در دینامیک سیالات مورد استفاده قرار گیرد. »
کد خبر ۲۰۱۰۱۰۵۲۹.۰۵۵
