Machine learning cria novos gliders subaquáticos inspirados em animais marinhos

Pesquisadores do MIT e da Universidade de Wisconsin-Madison utilizam machine learning para projetar novos gliders subaquáticos inspirados na eficiência de nadadores marinhos, visando otimizar a coleta de dados em ambientes oceânicos.

Contexto da pesquisa

A eficiência na natação de criaturas marinhas, como peixes e focas, sempre intrigou os cientistas marinhos. Esses animais possuem formas corporais que minimizam o gasto de energia durante longas distâncias. Em contraste, os veículos autônomos utilizados para explorar o oceano geralmente adotam formas padronizadas e menos variadas, como tubos. O desafio de descobrir novos designs eficazes tem sido tradicionalmente enfrentado por meio de muitos testes práticos.

Método proposto

A equipe do Laboratório de Inteligência Artificial e Ciência da Computação (CSAIL) do MIT criou um modelo que aplica machine learning para testar diferentes designs em um simulador de física. Utilizando um conjunto de dados que inclui mais de 20 modelos convencionais de veículos marinhos, os pesquisadores incorporaram esses modelos em “gaiolas de deformação”, facilitando a criação de novas formas.

“Desenvolvemos um processo semi-automatizado que pode ajudar a testar designs não convencionais que seriam muito desgastantes para humanos projetarem.”
(“We’ve developed a semi-automated process that can help us test unconventional designs that would be very taxing for humans to design.”)

— Peter Yichen Chen, Pesquisador pós-doutoral, MIT

As simulações consideraram diferentes “ângulos de ataque” para avaliar como cada design poderia atuar em condições reais de navegação. Os resultados foram otimizados por uma rede neural que previne drag, ou resistência, e ajuda a encontrar a melhor relação de sustentação e arrasto.

Resultados e impacto

Os modelos de gliders gerados foram testados em um túnel de vento e posteriormente em um ambiente aquático. Um dos designs, um veículo com duas asas, apresentou uma relação lift-to-drag apenas 5% maior que o esperado, revelando a precisão do modelo.

O desempenho ideal em ambos os testes sugere que os gliders projetados com machine learning são significativamente mais eficientes em comparação aos seus equivalentes manuais, mostrando um potencial de economia de energia notável durante a coleta de dados.

“Nosso pipeline modifica as formas dos gliders para encontrar a melhor relação lift-to-drag, otimizando seu desempenho subaquático.”
(“Our pipeline modifies glider shapes to find the best lift-to-drag ratio, optimizing its performance underwater.”)

— Niklas Hagemann, Estudante de pós-graduação, MIT

Com sucesso nesta fase, a equipe visa desenvolver gliders que possam se adaptar rapidamente a mudanças nas correntes oceânicas, ampliando as possibilidades de monitoramento ambiental e coleta de dados para pesquisas sobre os impactos das mudanças climáticas.

Fonte: (TechXplore – Machine Learning & AI)