Les chercheurs de la Séoul National University et de l'Université Kyung Hee rapportent un cadre pour contrôler les mouvements collectifs, tels que Ring, Clumps, Mill, Flock, en formant une IA informée en physique pour apprendre les règles locales qui régissent les interactions entre les individus.
Le document est publié dans la revue Cell rapporte les sciences physiques.
L'approche spécifie lorsqu'un état ordonné doit apparaître à partir de conditions initiales aléatoires et de régler les caractéristiques géométriques (rayon moyen, taille du cluster, taille du troupeau). De plus, formé sur les trajectoires GPS publiées de vrais pigeons, le modèle découvre les mécanismes d'interaction observés dans les troupeaux réels.
Le mouvement collectif est un phénomène émergent dans lequel de nombreux individus autopropulgés (oiseaux, poissons, insectes, robots, voire foules humaines) produisent des schémas à grande échelle sans aucune prise de décision centrale. Chaque individu ne réagit qu'aux voisins à proximité, mais le groupe présente un mouvement collectif cohérent. Analyser à quel point les interactions locales simples donnent lieu à un tel ordre global sont difficiles car ces systèmes sont bruyants et non linéaires, et la perception est souvent directionnelle.
Apprendre des règles locales avec l'IA informée en physique
Pour relever ces défis, l'équipe a construit des réseaux de neurones qui obéissent aux lois de la dynamique et sont formés sur les caractéristiques simples des modèles et, le cas échéant, les trajectoires expérimentales.
Les réseaux de neurones déduisent deux types de base de règles d'interaction locales: les règles basées sur la distance qui définissent l'espacement, les règles basées sur la vitesse qui alignent les titres, ainsi que leur combinaison. L'équipe a également montré que les agents autopropulgés suivant ces règles reproduisent les modèles collectifs cibles prévus avec des caractéristiques géométriques spécifiées.
Les exemples incluent le réglage du rayon de la bague, la taille de l'amas dans les touffes et le mode de rotation (simple ou double) dans le moulin; induire des transitions continues entre différents modes collectifs; et réaliser des mouvements près des obstacles et dans les zones confinées.
Le même cadre peut être adapté à de courts segments de trajectoires réelles en incorporant un champ de vision anisotrope, donnant des lois d'interaction conformes à la hiérarchie de leader-suiveur observée dans la nature.
Ouverture de nouvelles possibilités dans le comportement collectif et la robotique
En transformant le comportement collectif en quelque chose qui peut être décodé, cette approche offre une ingénierie pratique et des avantages scientifiques. En robotique, il fournit un plan pour la programmation de drones et d'essaims de Robot au sol pour former et activer les modèles à la demande.
Dans les sciences naturelles, il aide à identifier quantitativement quelles interactions locales sont suffisantes pour expliquer le flagement observé, permettant des tests d'hypothèse sur les plages sensorielles et la force d'alignement.
Plus largement, la méthode pourrait guider la conception de matériaux actifs qui s'auto-assemblent dans des formes cibles et aider à générer des ensembles de données synthétiques réalistes pour étudier les systèmes complexes et décentralisés.
