Los científicos marinos se han maravillado de cómo los animales como los peces y las focas nadan de forma tan capaz a pesar de tener diferentes formas. Sus cuerpos están optimizados para una navegación acuática hidrodinámica capaz para que puedan ejercitar energía mínima cuando viajan largas distancias.
Los vehículos autónomos pueden derivar por el océano de forma similar, recopilando datos sobre vastas entornos submarinos. Sin retención, las formas de estas máquinas de deslizamiento son menos diversas que las que encontramos en la vida escuadra: los diseños de narración a menudo se asemejan a tubos o torpedos, ya que incluso son congruo hidrodinámicos. Adicionalmente, probar nuevas compilaciones requiere muchas pruebas y errores del mundo efectivo.
Investigadores del Laboratorio de Informática e Inteligencia Sintético del MIT (CSAIL) y la Universidad de Wisconsin en Madison proponen que AI podría ayudarnos a explorar los diseños de planeadores desconocidos de forma más conveniente. Su método utiliza el formación espontáneo para probar diferentes diseños 3D en un simulador de física, luego los moldea en formas más hidrodinámicas. El maniquí resultante se puede imaginar a través de una impresora 3D que usa significativamente menos energía que las hechas a mano.
Los científicos del MIT dicen que esta tubería de diseño podría crear máquinas nuevas y más eficientes que ayudan a los oceanógrafos a contar la temperatura del agua y los niveles de sal, recoger ideas más detalladas sobre las corrientes y monitorear los impactos del cambio climático. El equipo demostró este potencial al producir dos planeadores aproximadamente del tamaño de un tablero de boogie: una máquina de dos alas que se asemeja a un avión y un objeto único de cuatro alas se asemeja a un pez plano con cuatro aletas.
Peter Yichen Chen, MIT Csail Postdoc e co-líder investigador en el tesina, señala que estos diseños son solo algunas de las formas novedosas que puede difundir el enfoque de su equipo. «Hemos desarrollado un proceso semiautomático que puede ayudarnos a probar diseños no convencionales que serían muy exigentes para los humanos de diseñar», dice. «Este nivel de diversificación de forma no se ha explorado anteriormente, por lo que la mayoría de estos diseños no se han probado en el mundo efectivo».
Pero, ¿cómo se le ocurrió AI estas ideas en primer punto? Primero, los investigadores encontraron modelos 3D de más de 20 formas convencionales de exploración escuadra, como submarinos, ballenas, frazada rayos y tiburones. Luego, encerraron estos modelos en «jaulas de deformación» que mapean diferentes puntos de articulación que los investigadores lograron para crear nuevas formas.
El equipo dirigido por CSAIL construyó un conjunto de datos de formas convencionales y deformadas ayer de disimular cómo funcionarían en diferentes «ángulos de ataque»: la dirección que un recipiente se inclinará mientras se desliza a través del agua. Por ejemplo, un bañista puede querer bucear en un ángulo de -30 grados para recuperar un artículo de una piscina.
Estas diversas formas y ángulos de ataque se usaron como entradas para una red neuronal que esencialmente anticipa cuán eficientemente funcionará una forma de planeador en ángulos particulares y la optimiza según sea necesario.
Darle a los robots deslizantes un montacargas
La red neuronal del equipo simula cómo reaccionaría un planeador particular en presencia de la física submarina, con el objetivo de capturar cómo avanza y la fuerza que se arrastra contra él. El objetivo: encontrar la mejor relación ascensor-drag, que representa cuánto se retiene el planeador en comparación con cuánto se retiene. Cuanto decano sea la relación, más eficientemente viaja el transporte; Cuanto más bajo sea, más se reducirá el planeador durante su delirio.
Las relaciones de elevación a tiro son esencia para los aviones voladores: en el despegue, desea maximizar el elevador para cerciorarse de que pueda deslizarse adecuadamente contra las corrientes del derrota, y al aterrizar, necesita una fuerza suficiente para arrastrarlo a una parada completa.
Niklas Hagemann, un estudiante investido del MIT en inmueble y afiliado de CSAIL, señala que esta relación es igual de útil si desea un movimiento de deslizamiento similar en el océano.
«Nuestra tubería modifica las formas del planeador para encontrar la mejor relación elevación a tiro, optimizando su rendimiento bajo el agua», dice Hagemann, quien incluso es autor co-líder en un papel Eso se presentó en la Conferencia Internacional sobre Robótica y Automatización en junio. «Luego puede exportar los diseños de detención rendimiento para que puedan ser impresos en 3D».
Yendo por un deslizamiento rápido
Si adecuadamente su tubería de IA parecía realista, los investigadores necesitaban respaldar que sus predicciones sobre el rendimiento del planeador fueran precisas al tantear en entornos más realistas.
Primero fabricaron su diseño de dos alas como un transporte escalado que se asemeja a un avión de papel. Este planeador fue llevado al túnel de derrota Wright Brothers del MIT, un espacio interior con ventiladores que simulan el flujo de derrota. Colocado en diferentes ángulos, la relación de elevación a tiro predicha del planeador fue solo aproximadamente un 5 por ciento más incorporación en promedio que las registradas en los experimentos de derrota, una pequeña diferencia entre la simulación y la existencia.
Una evaluación digital que involucra un simulador de física visual y más enrevesado incluso admitió la noticia de que la tubería de IA hizo predicciones congruo precisas sobre cómo se moverían los planeadores. Visualizó cómo estas máquinas descenderían en 3D.
Sin retención, para evaluar positivamente a estos planeadores en el mundo efectivo, el equipo necesitaba ver cómo les iría a sus dispositivos bajo el agua. Imprimieron dos diseños que realizaron el mejor en puntos de ataque específicos para esta prueba: un dispositivo tipo jet a 9 grados y el transporte de cuatro alas a 30 grados.
Ambas formas se fabricaron en una impresora 3D como conchas huecas con pequeños agujeros que se inundan cuando están completamente sumergidos. Este diseño tenue hace que el transporte sea más sencillo de manejar fuera del agua y requiere menos material para imaginar. Los investigadores colocaron un dispositivo con forma de tubo interiormente de estas cubiertas de carcasa, que albergaba una abanico de hardware, incluida una munición para cambiar la flotabilidad del planeador, una palanca de cambios masiva (un dispositivo que controla el ángulo de ataque de la máquina) y los componentes electrónicos.
Cada diseño superó un planeador en forma de torpedos hecho a mano moviéndose de forma más capaz a través de una piscina. Con relaciones más altas de elevación a tiro que su contraparte, ambas máquinas impulsadas por la IA ejercían menos energía, similar a las formas sin esfuerzo en los animales marinos que navegan por los océanos.
Por mucho que el tesina sea un paso confortante para el diseño del planeador, los investigadores buscan acortar la brecha entre la simulación y el rendimiento del mundo efectivo. Además esperan desarrollar máquinas que puedan reaccionar a cambios repentinos en las corrientes, lo que hace que los planeadores sean más adaptables a los mares y los océanos.
Chen agrega que el equipo está buscando explorar nuevos tipos de formas, particularmente diseños de planeadores más delgados. Tienen la intención de hacer que su situación sea más rápido, tal vez reforzándolo con nuevas características que permitan una decano personalización, maniobrabilidad o incluso la creación de vehículos en miniatura.
Chen y Hagemann lideraron una investigación sobre este tesina con el investigador de Operai Pingchuan Ma SM ’23, PhD ’25. Escribieron el gaceta con Wei Wang, una Universidad de Wisconsin en el profesor asistente de Madison y nuevo CSail Postdoc; John Romanishin ’12, SM ’18, PhD ’23; y dos profesores del MIT y miembros de CSAIL: la directora de laboratorio, Daniela Rus, y la autora senior Wojciech Matusik. Su trabajo fue apoyado, en parte, por una subvención de Proyectos de Investigación Avanzadilla de Defensa (DARPA) y el software MIT-Gist.