Un problema de física estadística que se ha estudiado durante décadas aborda la cuestión de cómo debe moverse un "agente" para recolectar de manera eficiente objetivos distribuidos aleatoriamente. Puede ser, por ejemplo, una bacteria en busca de sustancias químicas esenciales, un ave de presa en busca de alimento o un (micro)robot que recolecta moléculas de toxinas o materiales de desecho.

La cuestión de la estrategia de movimiento óptima es particularmente desafiante en el caso típico en el que el agente desconoce la distribución de alimentos pero está correlacionada espacialmente; es decir, cambia continuamente en el espacio y no de forma abrupta. Por ejemplo, las bacterias no sólo encuentran una alta concentración de nutrientes directamente en una fuente de alimento, sino también en el área circundante porque las moléculas correspondientes se propagan de forma difusa.

Las bacterias han desarrollado las llamadas estrategias de búsqueda quimiotáctica para explotar tales correlaciones. Aquí miden el cambio en la concentración de alimentos a lo largo de su camino y cambian su dirección de movimiento para que estadísticamente se muevan en la dirección de concentración ascendente. Esto les permite aprovechar su experiencia del aumento de la concentración de alimentos en una dirección específica y explorar su entorno para comprobar constantemente si la concentración de alimentos podría estar aumentando más en otra dirección.

Actualmente existe un problema similar en el campo de los micronadadores artificiales que, al igual que las bacterias, pueden moverse de forma autónoma en su entorno:¿cómo se pueden programar para recolectar eficientemente moléculas de toxinas o microplásticos?

La física estadística aún no ha encontrado respuestas satisfactorias a problemas de búsqueda tan desafiantes. Los enfoques anteriores se han limitado a modelos fenomenológicos, que esencialmente sólo describen el movimiento de las bacterias. Del mismo modo, todavía no existen enfoques sistemáticos para determinar sistemáticamente las estrategias de búsqueda óptimas. Por eso todavía no está claro hasta qué punto son realmente eficaces las estrategias de búsqueda descritas en los modelos fenomenológicos y las tácticas (estrategias) desarrolladas evolutivamente por las bacterias.

Investigadores de la TU Darmstadt del Grupo de Teoría de la Materia Blanda dirigidos por el profesor Benno Liebchen (Departamento de Física, Instituto de Física de la Materia Condensada) han analizado esta brecha de conocimiento. Como parte de la publicación "Las partículas activas inteligentes aprenden y trascienden las estrategias de búsqueda de bacterias", han desarrollado por primera vez un método para determinar sistemáticamente estrategias de búsqueda eficientes.

En él se considera un agente que se mueve a una velocidad constante y que puede decidir en cada paso de tiempo o bien continuar en la misma dirección que la última vez o cambiar su dirección de movimiento (aleatoriamente). El agente elige entre estas dos opciones con ayuda de redes neuronales artificiales, a las que se alimenta, entre otras cosas, la "concentración de alimentos" visible para el agente en sus inmediaciones. Sin embargo, el agente desconoce la distribución global de los alimentos.

Las redes neuronales fueron entrenadas en una amplia clase de entornos aleatorios de "concentración de alimentos". Luego se analizaron los patrones de movimiento resultantes del agente. Curiosamente, con la excepción de algunos detalles llamativos, estos mostraron un sorprendente parecido con los patrones de movimiento de bacterias reales y con los patrones de movimiento descritos por modelos fenomenológicos.

Sin embargo, lo que fue aún más sorprendente fue el resultado de una comparación de la eficiencia de la búsqueda de alimentos. Esto mostró una clara superioridad de los agentes entrenados mediante redes neuronales, que explotaban mucho mejor la estructura de su entorno de lo que podían describir los modelos fenomenológicos anteriores.

Los resultados de la investigación podrían resultar útiles para programar futuros micronadadores, nanorobots y partículas inteligentes para tareas como la búsqueda de células cancerosas, microplásticos o la rehabilitación ambiental.

Al mismo tiempo, los resultados demuestran los grandes beneficios que las nuevas herramientas de aprendizaje automático (más allá de los big data y los grandes modelos de lenguaje) pueden tener en la física. Permiten investigar problemas que son casi imposibles de resolver con métodos computacionales y de simulación convencionales.

Más información: Mahdi Nasiri et al, Las partículas activas inteligentes aprenden y trascienden las estrategias de búsqueda de alimento bacteriano, Actas de la Academia Nacional de Ciencias (2024). DOI:10.1073/pnas.2317618121

Información de la revista: Actas de la Academia Nacional de Ciencias

Proporcionado por Technische Universitat Darmstadt