Nova studija objavljena u časopisu Science Robotics pokazuje kako primena mašinskog učenja (ML-DO) može optimizovati dizajn biohibridnih robota, omogućavajući efikasniju konfiguraciju za plivanje. Tim istraživača sa Harvarda i NTT-a razvio je mini biohibridne zrake, sastavljene od srčanih ćelija (kardiomiocita) i fleksibilnog materijala, koji su dvostruko efikasniji u plivanju u poređenju sa ranijim biomimetičkim dizajnima.
Tradicionalni biomimetički pristupi oponašaju prirodne oblike i strukture, ali često zanemaruju biomehaničke i hidrodinamičke faktore koji utiču na efikasnost kretanja. U ovoj studiji, istraživači su koristili ML-DO kako bi sistematski pretražili i optimizovali geometriju peraja, identifikujući konfiguracije koje maksimiziraju brzinu plivanja i energetsku efikasnost.
„Naš metod omogućava precizniji dizajn biohibridnih robota, bolje usklađen sa zakonima skaliranja u prirodi, čime se postiže optimalna efikasnost kretanja,“ rekao je Rioma Ishii, vodeći istraživač sa Harvarda i NTT-a.
Tim je primenio algoritme mašinskog učenja u tri ključna koraka:
- Generisanje različitih geometrijskih varijacija peraja,
- Upotreba ML-DO za efikasnu pretragu najboljih konfiguracija,
- Implementacija odabranih dizajna u biohibridne robote sa srčanim mišićnim tkivom.
Rezultati su pokazali da peraja sa velikim odnosom širine i dužine, kao i zaobljenim vrhovima, omogućavaju najefikasnije plivanje. Napravljeni biohibridni roboti su se samostalno kretali koristeći kontrakcije srčanog mišića, pokazujući poboljšanu efikasnost plivanja u poređenju sa prethodnim biomimetičkim dizajnima.
Iako je studija demonstrirala značajne prednosti optimizovanog dizajna, istraživači ističu da su ovi roboti i dalje manje efikasni od prirodnih morskih organizama. Dalja istraživanja će se fokusirati na primenu ML-DO u razvoju biohibridnih uređaja za medicinske i inženjerske svrhe, uključujući daljinske senzore i terapeutske sisteme, kao i na unapređenje biofabrikacije organa poput biohibridnog srca.
