Физики создают новый метод для систематического определения эффективных стратегий поиска

Исследователи из Технического университета Дармштадта теперь представили в Трудах Национальной академии наук (PNAS) подход, который можно использовать для систематического определения эффективных стратегий поиска. В будущем это может помочь разумно разрабатывать такие задачи, как поиск раковых клеток или восстановление окружающей среды.

Одна из проблем статистической физики, которая изучалась десятилетиями, касается вопроса о том, как должен двигаться «агент», чтобы эффективно собирать случайно распределенные цели. Это может быть, например, бактерия, ищущая необходимые химические вещества, хищная птица, охотящаяся за пищей, или (микро)робот, собирающий молекулы токсинов или отходы.

Вопрос об оптимальной стратегии передвижения особенно сложен в типичном случае, когда распределение пищи неизвестно агенту, но пространственно коррелировано (иными словами, оно изменяется в пространстве непрерывно, а не резко). Например, бактерии обнаруживают высокую концентрацию питательных веществ не только непосредственно в источнике пищи, но и в области вокруг него, поскольку соответствующие молекулы распространяются диффузно.

В настоящее время существует аналогичная проблема в области искусственных микропловцов, которые, как и бактерии, могут автономно передвигаться в окружающей среде: как их можно запрограммировать на эффективный сбор молекул токсинов или микропластика?

Статистическая физика пока не нашла удовлетворительных ответов на столь сложные поисковые задачи. Предыдущие подходы ограничивались феноменологическими моделями, которые, по сути, описывают только движение бактерий. В то же время до сих пор не существует системных подходов к систематическому определению оптимальных стратегий поиска. Поэтому до сих пор во многом неясно, насколько эффективны стратегии поиска, описанные в феноменологических моделях, и эволюционно выработанные бактериями тактики (стратегии).

Исследователи Дармштадтского технического университета из группы теории мягкой материи под руководством профессора Бенно Либхена (факультет физики Института физики конденсированного состояния) теперь изучили этот пробел в знаниях. В рамках публикации «Умные активные частицы изучают и превосходят бактериальные стратегии поиска пищи» они впервые разработали метод систематического определения эффективных стратегий поиска.

В нем рассматривается агент, который движется с постоянной скоростью и который на каждом временном шаге может решить либо продолжить движение в том же направлении, что и в прошлый раз, либо изменить направление своего движения (случайным образом). Агент выбирает между этими двумя вариантами с помощью искусственных нейронных сетей, в которые, помимо прочего, подается «концентрация пищи», видимая агенту в непосредственной близости от него. Однако глобальное распространение пищи остается неизвестным агенту.

Нейронные сети обучались в широком классе случайных сред «концентрации еды». Затем были проанализированы полученные модели движений агента. Интересно, что они поразительно напоминали модели движения реальных бактерий и модели движения, описанные феноменологическими моделями.

Однако еще более удивительным оказался результат сравнения эффективности поиска пищи. Это показало явное превосходство агентов, обученных с помощью нейронных сетей, которые гораздо лучше использовали структуру окружающей среды, чем это можно было описать предыдущими феноменологическими моделями.

Результаты исследования могут оказаться полезными для программирования будущих микропловцов, нанороботов и умных частиц для таких задач, как поиск раковых клеток, микропластика или реабилитация окружающей среды.

В то же время результаты демонстрируют огромные преимущества, которые новые инструменты машинного обучения — помимо больших данных и больших языковых моделей — могут принести в физике. Они позволяют исследовать проблемы, которые практически невозможно решить традиционными методами расчета и моделирования.

Источник: Technische Universitat Darmstadt