Forskare vid TU Darmstadt har nu presenterat ett tillvägagångssätt i Proceedings of the National Academy of Sciences (PNAS ) som kan användas för att systematiskt bestämma effektiva sökstrategier. Det kan hjälpa till att intelligent designa uppgifter som sökandet efter cancerceller eller miljörehabilitering i framtiden.

Ett problem inom statistisk fysik som har studerats i decennier tar upp frågan om hur en "agent" måste röra sig för att effektivt samla in slumpmässigt fördelade mål. Det kan till exempel vara en bakterie på jakt efter viktiga kemikalier, en rovfågel på jakt efter mat eller en (mikro)robot som samlar in toxinmolekyler eller avfallsmaterial.

Frågan om den optimala rörelsestrategin är särskilt utmanande i det typiska fallet där matfördelningen är okänd för medlet men är rumsligt korrelerad; det vill säga, det förändras kontinuerligt i rymden snarare än abrupt. Till exempel hittar bakterier inte bara en hög koncentration av näringsämnen direkt vid en matkälla, utan också i området runt den eftersom motsvarande molekyler sprider sig diffust.

Bakterier har utvecklat så kallade kemotaktiska sökstrategier för att utnyttja sådana samband. Här mäter de förändringen i matkoncentration längs sin väg och ändrar sin rörelseriktning så att de statistiskt rör sig i riktning mot stigande koncentration. Detta gör att de både kan dra nytta av sin erfarenhet av att matkoncentrationen ökar i en specifik riktning och att utforska sin miljö för att ständigt kontrollera om matkoncentrationen kanske ökar mer i en annan riktning.

Det finns för närvarande ett liknande problem inom området konstgjorda mikrosimmare som, precis som bakterier, kan röra sig autonomt i sin miljö:hur kan de programmeras för att effektivt samla in toxinmolekyler eller mikroplaster?

Statistisk fysik har ännu inte hittat tillfredsställande svar på sådana utmanande sökproblem. Tidigare tillvägagångssätt har begränsats till fenomenologiska modeller, som i huvudsak bara beskriver förflyttning av bakterier. På samma sätt finns det fortfarande inga systematiska metoder för att systematiskt bestämma de optimala sökstrategierna. Det är därför det fortfarande är i stort sett oklart hur effektiva sökstrategierna som beskrivs i fenomenologiska modeller och de evolutionärt utvecklade taktikerna (strategierna) av bakterierna verkligen är.

Forskare vid TU Darmstadt från Soft Matter Theory Group ledd av professor Benno Liebchen (Institutionen för fysik, Institutet för kondenserad materiens fysik) har nu tagit en titt på denna kunskapslucka. Som en del av publikationen "Smarta aktiva partiklar lär sig och transcenderar bakteriella födosöksstrategier" har de för första gången utvecklat en metod för att systematiskt bestämma effektiva sökstrategier.

I den betraktas en agent som rör sig med konstant hastighet och som i varje tidssteg kan bestämma sig för att antingen fortsätta i samma riktning som förra gången eller ändra sin rörelseriktning (slumpmässigt). Agenten väljer mellan dessa två alternativ med hjälp av artificiella neurala nätverk, i vilka bland annat den "matkoncentration" som är synlig för medlet i dess omedelbara närhet matas in. Den globala distributionen av maten är dock fortfarande okänd för agenten.

De neurala nätverken tränades i en bred klass av slumpmässiga miljöer med "matkoncentration". Agentens resulterande rörelsemönster analyserades sedan. Intressant nog, med undantag för några slående detaljer, visade dessa en slående likhet med verkliga bakteriers rörelsemönster och med de rörelsemönster som beskrivs av fenomenologiska modeller.

Vad som var ännu mer överraskande var dock resultatet av en jämförelse av effektiviteten i sökandet efter mat. Detta visade en tydlig överlägsenhet hos de medel som tränats med hjälp av neurala nätverk, som var mycket bättre på att utnyttja strukturen i sin omgivning än vad som kunde beskrivas av tidigare fenomenologiska modeller.

Forskningsresultaten kan visa sig användbara för att programmera framtida mikrosimmare, nanorobotar och smarta partiklar för uppgifter som att söka efter cancerceller, mikroplaster eller för miljörehabilitering.

Samtidigt visar resultaten på de stora fördelarna som nya verktyg för maskininlärning – utöver big data och stora språkmodeller – kan ha inom fysiken. De gör det möjligt att undersöka problem som är nästan omöjliga att lösa med konventionella beräknings- och simuleringsmetoder.

Mer information: Mahdi Nasiri et al, Smarta aktiva partiklar lär sig och överskrider bakteriella födosöksstrategier, Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2317618121

Journalinformation: Proceedings of the National Academy of Sciences

Tillhandahålls av Technische Universitat Darmstadt