Suchstrategien smarter aktiver Agenten

Der aktive Antrieb ermöglicht es Bakterien und Tieren, ihre Umgebung zu erkunden und Nährstoffe zu suchen, ist aber auch der Schlüssel zur Entwicklung zukünftiger künstlicher Nanopartikel, die Medikamente im menschlichen Körper gezielt zielgenau an die richtige Stelle transportieren oder die Reinigung von Böden oder verschmutztem Wasser bewerkstelligen können. Eine zentrale Frage, die sich in diesem Zusammenhang stellt, ist, wie smarte Nanopartikel ihr Ziel finden und wie sie effiziente Suchstrategien entwickeln. Wie lösen Agenten insbesondere dieses Problem, wenn sie in komplexen Umgebungen operieren? Hier werden wir Algorithmen für Reinforcement Learning (RL) entwickeln, um ein intelligentes aktives Partikel zu trainieren, Verhaltensmuster zu finden, die für die Aufgabe der Zielsuche optimal sind. In RL werden Agenten auf einen Belohnungs- und Bestrafungsmechanismus trainiert. Der Agent wird für richtige Entscheidungen belohnt und für die falschen bestraft. Dabei versucht der Agent, falsche Züge zu minimieren und die richtigen zu maximieren. Zum Beispiel kann man den Einsatz von RL verwenden, um Roboter zu trainieren, die die Fähigkeit haben, verschiedene Objekte zu greifen. In unserem Fall betrachten wir intelligente Partikel, die in der Lage sind, ihr Aktivitätsniveau (d.h. ihre Antriebsgeschwindigkeit) und / oder andere Eigenschaften ihrer Bewegung wie zum Beispiel die Persistenz der Antriebsrichtung zu ändern, um ihr Ziel besser zu finden. Das Projekt zielt darauf ab, optimale Strategien zu charakterisieren und zu entwickeln, die von intelligenten aktiven Teilchen angewendet werden, um spärliche Ziele unbekannter Positionen zu finden. Dieses Problem wird in verschiedenen Umgebungen angegangen und wir werden insbesondere untersuchen, welche die effektivsten Aktionen sind, die von smarten Agenten durchgeführt werden können. Darüber hinaus werden wir in komplexen Umgebungen identifizieren, welche Merkmale der Umgebung die wichtigsten Hinweise liefern können, die der Agent nutzen kann, um seine Zielsuchstrategie zu optimieren. Weitere Fragen, die wir beantworten wollen, betreffen die Transporteigenschaften von Partikeln optimaler Strategie und die Robustheit dieser Strategien gegenüber Veränderungen der Umwelt. Unser Projekt konzentriert sich hauptsächlich auf die mikroskopische Welt, wir interessieren uns nämlich für natürliche oder artifizielle Schwimmer mit einer typischen Größe von wenigen Mikrometern. Einige der Ergebnisse, die wir während der Realisierung dieses Projekts erhalten werden, sind jedoch allgemein und dann auch auf größere Maßstäbe (z. B. Tiere, Drohnen oder Roboter) erweiterbar.