Wie Zugvögel Können Steigen So Hoch

Jennifer Ouellette24 Minuten agoFiled: Aerodynamik

Turbulenzen
Wissenschaft
Physik
animal cognition
machine learning
AI

Zugvögel gleiten können über sehr lange Distanzen mit minimalem flattern, Dank Ihrer strategischen Nutzung der aufsteigende warme Luftströme. Eine neue Studie hat herausgefunden, dass die Vögel benutzen zwei grundlegende sensorische cues, in Kombination mit reinforcement learning-algorithmen (RLA), zu navigieren diesem turbulenten Umfeld.

Diese neuen computer-Simulationen verwenden die gleiche Architektur, die Google verwendet für seine DeepMind AlphaGo-Programm, das schockiert die Go-Welt spielen, wenn die KI schlagen professionelle champion Lee Sedol früher in diesem Jahr. Die Lektionen gelernt, die helfen könnten Verbesserung der Konstruktion des Langstrecken-automatous Segelflugzeuge und self-driving cars.

Einige Arten, wie Fregattvögel, können Wandern Tausende von Meilen, die Sie für Wochen am Ende, ohne jemals landen zu müssen. Eine Studie, veröffentlicht Anfang dieses Monats in der Wissenschaft festgestellt, dass die Vögel suchen sich die steigenden Luftströmungen, sogenannte hydrothermalquellen zu minimieren, wie viel Sie brauchen, um Ihre Flügel, um zu Fliegen für lange Strecken über den Ozean.

Diese hydrothermalquellen sind sehr turbulent, weshalb Mensch-pilotiert Flugzeuge dazu neigen, Sie zu vermeiden. Aber die Forscher des französischen Nationalen Zentrum für Wissenschaftliche Forschung in Villiers-en-Bois gefunden, die Fregattvögel nutzen solche öffnungen zu gewinnen Höhe. Dies wiederum gibt Ihnen mehr Zeit, um allmählich gleiten Sie nach unten, bevor die Suche nach einem neuen Aufwind.

Gegeben, dass dies erfordert eine ziemlich komplexe Entscheidungen, wie die Vögel zu verwalten navigieren Sie wie einer turbulenten Umwelt? Vor der simulations of thermal soaring davon ausgegangen, relativ einfachen Bedingungen, die nicht angemessen-Modell einer realen Umgebung.

Gesponsert

Terrence Sejnowski—einem Neurobiologen am Salk Institute und der University of California, San Diego, und seine Kollegen kombinierten Simulationen von turbulenten atmosphärischen Strömung mit einer RLA, und verwendet diese Kombination um Zug-Modell “glider” zu navigieren, eine thermische Entlüftung beruht auf einfachen feedback von sensorischen cues. Sie beschrieben Ihre Arbeit in einem neuen Papier in den Proceedings of the National Academy of Sciences.

“Die Natur hat das problem gelöst, so dachten wir, wir könnten in der Lage sein, um den gleichen Ansatz, dass die Natur verwendet,” Sejnowski sagte Gizmodo. Die Ergebnisse weit über den Erwartungen in Bezug auf, wie schnell der Algorithmus war in der Lage zu lernen, und wie gut es durchgeführt. “Am Ende unserer Simulationen aussahen wie echte Vögel”, sagte er. “[Der Algorithmus] nicht finden einige bizarre Lösung gefunden, die gleiche, die die Natur verwendet.”

Das team fand heraus, dass der Schlüssel sensorischen cues verwendet Zugvögel sind vertikale wind-Beschleunigung und Drehmoment (Beschleunigung im wesentlichen um eine Achse). Dies ermöglicht es Ihnen zu bleiben, genau in der Mitte der thermischen Kern, wo der Auftrieb am größten ist. Es ist auch, wie Sie navigieren in turbulenten Bedingungen: die Vögel verabschieden, die eher konservative, risikoaverse Strategien Flug, laut co-Autor Massimo Vergassola, wie nach Ihrer aktuellen Flugbahn, anstatt sich zu drehen.

Nach Sejnowski, Vögel—wie Menschen—haben eine vesticular Orgel in Ihren Köpfen, die Sinne der Beschleunigung. “Also, im Prinzip können die Vögel Gefühl der Beschleunigung,” sagte er, obwohl die Wissenschaftler noch nicht wissen, welche neuronalen Wege, die Sie verwenden, oder wie, dass sensorische Informationen integriert. Er und seine co-Autoren hoffen, dass die Zusammenarbeit mit der UCSD Experten im soaring Vögel, die auf Experimente, um das weitere testen Sie Ihre Simulationsergebnisse.

Sejnowski hat das team auch gekauft, ein zehn-Fuß Spannweite-glider—der Art verwendet, in der Leistungssport von ferngesteuerten gleiten. Mit nur ein Handy, Sie planen, um die Integration der Lern-Algorithmus in einem Einbau-control-system, damit der glider könnte schweben auf seine eigene, ohne die Notwendigkeit für eine Fernbedienung. Hoffentlich wird es gut genug, um zu gewinnen, ein paar Wettbewerbe, die gegen menschliche Piloten mit Fernbedienungen, ähnlich wie AlphaGO erwies es Dominieren könnte ein menschlicher Spieler.

Für Sejnowski, dies ist ein Vorbote der aufregenden neuen Dinge, die kommen. Die meisten letzten AIs programmiert wurden, zu prüfen, alle möglichen Eventualitäten und kommen mit einem Plan für jeden—ein langer und arbeitsintensiver Prozess. Mit einer RLA, je mehr Daten zur Verfügung stehen, desto besser die Leistung. Zugegeben, machine learning ist bereits weit verbreitet in der big-data-Analyse. Aber Sejnowski weist darauf hin, dass diese Zeit, die der Algorithmus nicht analysieren abstrakten Tastenanschläge, aber der Umgang mit einer simulation, die Modelle genau komplexe physikalische Umgebungen.

Das könnte ein Spiel-wechsler in Bezug auf die Erschließung neuer Anwendungen, wie eine bessere selbst-fahrenden Autos. Es könnte sich auch als nützlich für die Erhebung von internet-Zugangs zu abgelegenen Gebieten ohne Mobilfunkmasten oder eine Kabel-Infrastruktur, vor allem Teile von Afrika und Süd-Amerika. Solar-Motorsegler könnte den trick tun, aber Sie sind teuer und benötigen viel Pflege und Wartung, nach Sejnowski. Ein Segelflugzeug nach dem Vorbild des Navigations-Strategien von Zugvögeln wäre viel billiger zu erhalten.

“Wir haben bereits gezeigt, in der künstlichen Spiele wie Go, dass dieses sehr einfache reinforcement learning-Algorithmus, wenn gepaart mit einer sehr guten Darstellung der sensorischen und motorischen output, können sehr effizient an der Lösung bestimmter technischer Probleme”, sagte er. “Aber jetzt wissen wir, es kann sich mit der Komplexität der realen Welt, Verallgemeinerung von Erfahrungen und das [Wissens], um sich den neuen Situationen.”

[Proceedings of the National Academy of Sciences]