Natuurkundigen van de universiteit van Innsbruck onderzoeken het zwermgedrag van levende wezens met behulp van kunstmatige intelligentie. Voorheen gebeurde dit met algoritmes die gebaseerd waren op aannames.

Kunstmatige intelligentie maakt een meer onbevooroordeelde blik op de materie mogelijk. Bovenop de voorgeprogrammeerde reacties op een gebeurtenis kan de machine daardoor in de loop van de tijd zijn ‘gedrag’ individueel aanpassen aan de ervaringen die ze hebben opgedaan. “Als een beslissing achteraf juist blijkt te zijn, wordt de machine beloond en is deze geneigd om deze beslissing in dezelfde situatie opnieuw te nemen”, legt projectmedewerker Katja Ried de aanpak vanuit machinaal leren uit. Ze doet onderzoek samen met de kwantumfysicus Hans Briegel van het Instituut Instituut voor Theoretische Fysica van de Universiteit van Innsbruck en Thomas Müller van het departement Filosofie van de Universiteit van Konstanz.

Projectieve simulatie

Briegels toegepaste leermodel van “projectieve simulatie” is al ontwikkeld in eerdere onderzoeksprojecten en getest op verschillende gebieden – bijvoorbeeld in de zoektocht naar geoptimaliseerde experimenten in kwantumlaboratoria en het ontwerp van creatieve machines. In de huidige studie werd de methode toegepast op migrerende sprinkhanen. Een enkele zwerm kan bestaan uit meer dan een miljard dieren en grote economische en humanitaire schade aanrichten in de getroffen landen.

Trekkende sprinkhanen zwermen uit om steeds weer nieuw voedsel te vinden. Deze collectieve bewegingen werden gesimuleerd in de algoritmes.

“Als een beslissing achteraf juist blijkt te zijn, wordt de machine beloond en is deze geneigd om deze beslissing in dezelfde situatie opnieuw te nemen”

Leercapaciteit van sprinkhanen

In hoeverre sprinkhanen hun gedrag in de zwerm kunnen leren of aanpassen is nog onduidelijk. Andere zwermdieren, zoals honingbijen, hebben een duidelijk vermogen om te leren. Deze diertjes werden bijvoorbeeld met succes getraind in het laboratorium om bloemen van verschillende kleuren op verschillende tijdstippen van de dag te controleren. Als men deze gedragsaanpassing modelleert met behulp van de leermiddelen, kan de informatieverwerking van bijen goed worden gevolgd.

Het model kan ook worden overgedragen aan robots. Als een zwerm robots met een bepaald doel wordt losgelaten, kan het gedrag ervan worden gesimuleerd en getraind. “Modellen van leermiddelen kunnen ons begrip van de oorsprong van collectieve bewegingen sterk verbeteren”, aldus Briegel.

Interdisciplinaire aanpak

In het huidige onderzoeksproject wordt het nieuwe model nu gecombineerd met bevindingen uit de biologie en ecologie om collectieve beweging in complexere omgevingen te kunnen onderzoeken. Het doel is om gezamenlijk fundamentele vragen over het individuele gedrag van sprinkhanen in het laboratorium te onderzoeken. “Zo kan bijvoorbeeld worden uitgelegd hoe een sprinkhaan zich gedraagt wanneer hij door een andere sprinkhaan aan zijn vleugel wordt aangeraakt of wanneer andere sprinkhanen zich op een bepaalde manier in zijn omgeving bewegen”, legt Ried uit. Deze bevindingen leiden tot de verfijning van het theoretische model.

De methode voor het modelleren van collectieve bewegingen is gepubliceerd in het tijdschrift PloS one: Modelleren van collectieve bewegingen gebaseerd op het principe van agency: Algemeen kader en het geval van de trekkende sprinkhanen. Zwerm sprinkhanen (c) commons.wikimedia – Iwoelbern CC BY-SA 3.0.

Steun ons!

Innovation Origins is een onafhankelijk nieuwsplatform, dat een onconventioneel verdienmodel heeft. Wij worden gesponsord door bedrijven die onze missie steunen: het verhaal van innovatie verspreiden. Lees hier meer.

Op Innovation Origins kan je altijd gratis artikelen lezen. Dat willen we ook zo houden. Heb je nou zo erg genoten van dit artikel dat je onafhankelijke journalistiek wil steunen? Klik dan hier: