Físicos criam novo método para determinar sistematicamente estratégias de busca eficientes

Crédito:Pixabay/CC0 Domínio Público

Pesquisadores da TU Darmstadt apresentaram agora uma abordagem em Proceedings of the National Academy of Sciences (PNAS ) que pode ser usado para determinar sistematicamente estratégias de busca eficientes. Poderia ajudar a projetar de forma inteligente tarefas como a busca de células cancerígenas ou reabilitações ambientais no futuro.

Um problema da física estatística que tem sido estudado há décadas aborda a questão de como um “agente” deve se mover para coletar com eficiência alvos distribuídos aleatoriamente. Pode ser, por exemplo, uma bactéria em busca de produtos químicos essenciais, uma ave de rapina em busca de alimento ou um (micro)robô coletando moléculas de toxinas ou resíduos.

A questão da estratégia de movimento óptima é particularmente desafiadora no caso típico em que a distribuição de alimentos é desconhecida para o agente, mas está espacialmente correlacionada; isto é, muda continuamente no espaço, e não abruptamente. Por exemplo, as bactérias não só encontram uma alta concentração de nutrientes diretamente numa fonte de alimento, mas também na área ao seu redor, porque as moléculas correspondentes se espalham de forma difusa.

As bactérias desenvolveram as chamadas estratégias de busca quimiotática para explorar tais correlações. Aqui, eles medem a mudança na concentração de alimentos ao longo do caminho e mudam a direção do movimento para que se movam estatisticamente na direção da concentração ascendente. Isto permite-lhes tirar partido da sua experiência de aumento da concentração de alimentos numa direcção específica e explorar o seu ambiente para verificar constantemente se a concentração de alimentos pode estar a aumentar mais noutra direcção.

Existe atualmente um problema semelhante no campo dos micronadadores artificiais que, tal como as bactérias, podem mover-se autonomamente no seu ambiente:como podem ser programados para recolher eficientemente moléculas de toxinas ou microplásticos?

A física estatística ainda não encontrou respostas satisfatórias para problemas de pesquisa tão desafiadores. As abordagens anteriores limitaram-se a modelos fenomenológicos, que essencialmente descrevem apenas o movimento das bactérias. Da mesma forma, ainda não existem abordagens sistemáticas para determinar sistematicamente as estratégias de busca ótimas. É por isso que ainda não está claro quão eficientes são realmente as estratégias de busca descritas nos modelos fenomenológicos e as táticas (estratégias) desenvolvidas evolutivamente pelas bactérias.

Pesquisadores da TU Darmstadt do Grupo de Teoria da Matéria Macia liderado pelo Professor Benno Liebchen (Departamento de Física, Instituto de Física da Matéria Condensada) agora deram uma olhada nesta lacuna de conhecimento. Como parte da publicação "Partículas ativas inteligentes aprendem e transcendem estratégias de forrageamento bacteriano", eles desenvolveram, pela primeira vez, um método para determinar sistematicamente estratégias de busca eficientes.

Nele, considera-se um agente que se move a uma velocidade constante e que pode decidir em cada passo de tempo continuar na mesma direção da última vez ou mudar sua direção de movimento (aleatoriamente). O agente escolhe entre essas duas opções com a ajuda de redes neurais artificiais, nas quais é alimentada, entre outras coisas, a “concentração de alimento” visível ao agente em sua vizinhança imediata. No entanto, a distribuição global dos alimentos permanece desconhecida do agente.

As redes neurais foram treinadas em uma ampla classe de ambientes aleatórios de “concentração alimentar”. Os padrões de movimento resultantes do agente foram então analisados. Curiosamente, com exceção de alguns detalhes surpreendentes, estes mostraram uma notável semelhança com os padrões de movimento das bactérias reais e com os padrões de movimento descritos por modelos fenomenológicos.

O que foi ainda mais surpreendente, porém, foi o resultado de uma comparação da eficiência da busca por alimentos. Isto mostrou uma clara superioridade dos agentes treinados por meio de redes neurais, que eram muito melhores na exploração da estrutura do seu ambiente do que poderia ser descrito pelos modelos fenomenológicos anteriores.

Os resultados da investigação podem ser úteis para programar futuros micronadadores, nanorrobôs e partículas inteligentes para tarefas como a procura de células cancerígenas, microplásticos ou para a reabilitação ambiental.

Ao mesmo tempo, os resultados demonstram os grandes benefícios que as novas ferramentas de aprendizagem automática – para além do big data e dos grandes modelos de linguagem – podem ter na física. Eles permitem investigar problemas quase impossíveis de resolver com métodos convencionais de computação e simulação.

Mais informações: Mahdi Nasiri et al, Partículas ativas inteligentes aprendem e transcendem estratégias de forrageamento bacteriano, Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2317618121
Informações do diário: Anais da Academia Nacional de Ciências

Fornecido por Technische Universitat Darmstadt

Pesquisadores usam tela de smartphone para criar imagens holográficas em camadas 3D

Pesquisadores descobrem fases topológicas duplas em um cristal intrínseco de monocamada

Física