KI gestaltet wasserstrudelfähige Untersetzer-Glider

Künstliche Intelligenz formt autonome Unterwasser-Glider Meeresforscher haben seit langem über die Effizienz bewundert, mit der Fische und Robben trotz unterschiedlicher Körperformen schwimmen können. Ihre Körper sind so optimiert, dass sie bei langen Strecken minimales Energieaufwand benötigen, um durch das Wasser zu gleiten. Autonome Fahrzeuge können auf ähnliche Weise durch den Ozean treiben und dabei Daten über große Unterwasserumgebungen sammeln. Allerdings sind die Formen dieser Gleiter weniger vielfältig als bei Meerestieren, da herkömmliche Designs oft tubenförmig oder wie Torpedos geformt sind, welche ebenfalls relativ wasserluftdynamisch sind. Zudem erfordern neue Designs viele praktische Versuche in der realen Welt. Forscher aus dem Massachusetts Institute of Technology’s Computer Science and Artificial Intelligence Laboratory (MIT CSAIL) und der University of Wisconsin at Madison schlagen vor, dass KI dabei helfen könnte, bisher unerforschte Gleiterdesigns komfortabler zu entdecken. Ihr Verfahren nutzt maschinelles Lernen, um verschiedene 3D-Designs in einem Physiksimulator zu testen und sie dann in effizientere, wasserluftdynamischere Formen zu formen. Das resultierende Modell kann anschließend durch einen 3D-Drucker gefertigt werden, wobei deutlich weniger Energie als bei manuellen Designs verbraucht wird. Die Wissenschaftler von MIT behaupten, dass dieser Designprozess neue, effizientere Maschinen hervorbringen könnte, die Ozeanografen dabei helfen, Wassertemperaturen und Salzgehalte zu messen, detailliertere Informationen über Strömungen zu sammeln und die Auswirkungen des Klimawandels zu überwachen. Um dieses Potenzial zu demonstrieren, produzierte das Team zwei Gleiter, die ungefähr die Größe eines Bodyboards haben: ein zweiflügeliges Gerät, das einem Flugzeug ähnelt, und ein einzigartiges, vierflügeliges Objekt, das einer flachen Fischgestalt mit vier Flossen gleicht. Peter Yichen Chen, Postdoc am MIT CSAIL und Co-Lead-Forscher des Projekts, betont, dass diese Designs nur zwei Beispiele für die vielfältigen Formen sind, die ihr Ansatz generieren kann. "Wir haben einen semiautomatischen Prozess entwickelt, der uns hilft, unkonventionelle Designs zu testen, die für Menschen sehr zeitaufwendig wären," sagt er. "Diese Vielfalt an Formen wurde bisher nicht ausreichend erforscht, sodass die meisten dieser Designs noch nicht in der realen Welt getestet wurden." Um diese Ideen zu entwickeln, fanden die Forscher zunächst 3D-Modelle von über 20 herkömmlichen Meeressuchformen, darunter U-Boote, Wale, Mantarochen und Haie. Sie umschlossen diese Modelle in "Deformationskäfigen", die verschiedene Artikulationspunkte kartieren, die die Forscher verformen konnten, um neue Formen zu schaffen. Das von CSAIL angeführte Team erstellte eine Datenbank mit herkömmlichen und deformierten Formen und simulierten, wie diese bei verschiedenen "Anstellwinkeln" — der Richtung, in der das Fahrzeug sich beim Gleiten durch das Wasser neigt — performen würden. Zum Beispiel könnte ein Schwimmer einen Anstellwinkel von -30 Grad wählen, um ein Objekt aus einem Pool zu bergen. Das neuronale Netzwerk des Teams simuliert, wie ein bestimmter Gleiter auf unterwasserphysikalische Bedingungen reagiert, wobei besonders darauf geachtet wird, wie es vorwärtsbewegt wird und welches Ziehmoment gegen es wirkt. Das Ziel ist es, das beste Verhältnis von Auftrieb zu Ziehkraft zu finden, das repräsentiert, wie gut der Gleiter gehalten wird, im Vergleich dazu, wie stark er zurückgehalten wird. Je höher das Verhältnis, desto effizienter reist das Fahrzeug; je niedriger es ist, desto langsamer wird der Gleiter während seiner Fahrt. Das Verhältnis von Auftrieb zu Ziehkraft ist auch bei Flugzeugen entscheidend: Beim Start will man den Auftrieb maximieren, um sicherzustellen, dass das Flugzeug gut gegen Luftströmungen gleitet, und beim Landen benötigt man genug Ziehkraft, um das Flugzeug vollständig zum Stillstand zu bringen. Beide Designs wurden als hohle Schalen mit kleinen Löchern hergestellt, die sich füllen, wenn der Gleiter vollständig unter Wasser ist. Diese leichte Konstruktion erleichtert den Umgang mit dem Fahrzeug außerhalb des Wassers und reduziert den Materialaufwand für die Herstellung. Die Forscher platzierten ein rohrförmiges Gerät in diesen Schalen, das eine Vielzahl von Hardwarekomponenten beherbergt, darunter einen Pumpenmechanismus, um die Tragfähigkeit des Gleiters zu ändern, ein Massenschieber (ein Gerät, das den Anstellwinkel steuert) und elektronische Komponenten. In Tests in einem Schwimmbad bewegten sich beide AI-getriebenen Designs effizienter als ein handgefertigter torpedoförmiger Gleiter. Mit höheren Auftriebs- zu Ziehkraftverhältnissen als ihr Pendant verbrauchten die beiden Maschinen weniger Energie, ähnlich den anspruchslosen Bewegungen, die Meerestiere im Ozean zeigen. Obwohl das Projekt einen ermutigenden Schritt für die Gleiterentwicklung darstellt, streben die Forscher danach, die Lücke zwischen Simulation und realer Performance zu verringern. Sie planen auch, Maschinen zu entwickeln, die plötzlichen Veränderungen in Strömungen reagieren können, um die Gleiter flexibler in Meeren und Ozeanen einzusetzen. Chen fügt hinzu, dass das Team neue Formtypen erforschen möchte, insbesondere schlankere Gleiterdesigns. Sie beabsichtigen, ihren Rahmen zu beschleunigen, möglicherweise durch die Hinzufügung neuer Funktionen, die mehr Anpassungsmöglichkeiten, Manövrierfähigkeit oder sogar die Erstellung kleinerer Fahrzeuge ermöglichen. Die Forschung wurde unter anderem durch ein Grant der Defense Advanced Research Projects Agency (DARPA) und das MIT-GIST-Programm unterstützt. Chen und Hagemann leiteten das Projekt gemeinsam mit Pingchuan Ma SM ’23, PhD ’25, einem Forscher von OpenAI. Die Autoren des Papers sind Wei Wang, Assistant Professor an der University of Wisconsin at Madison und ehemaliger CSAIL-Postdoc, John Romanishin ’12, SM ’18, PhD ’23, sowie zwei MIT-Professoren und CSAIL-Mitglieder: Lab-Direktorin Daniela Rus und der Senior-Autor Wojciech Matusik.