Es hat etwas unendlich Faszinierendes, das Leben im Meer in Bewegung zu beobachten. Die Art und Weise, wie eine Robbe durch die eiskalten Wellen saust oder ein Mantarochen mit so m\u00fcheloser Anmut gleitet, kann die Aufmerksamkeit eines jeden Menschen fesseln. Seit Jahrhunderten haben diese eleganten Bewegungsabl\u00e4ufe die Neugier von Wissenschaftlern geweckt, die die Meisterleistungen der Natur unter Wasser verstehen - und vielleicht eines Tages nachahmen - wollten.<\/p>\n
Die menschlichen L\u00f6sungen waren jedoch weit weniger kreativ. Die meisten Unterwasserfahrzeuge - die so genannten AUVs (Autonomous Underwater Vehicles) - haben sich an ein vertrautes Schema gehalten: Sie wurden wie Torpedos gebaut. Diese lange, glatte, r\u00f6hrenartige Form schneidet effizient durch das Wasser und ist einfach zu entwerfen und zu bauen. Doch neben der Kreativit\u00e4t echter Meeresbewohner wirken diese von Menschenhand geschaffenen Maschinen etwas, nun ja, uninspiriert. Ein Teil des Problems liegt einfach in der Logistik: Das Ausprobieren radikal neuer Ideen ist sowohl teuer als auch zeitaufw\u00e4ndig, so dass neue Ans\u00e4tze meist in den Hintergrund treten.<\/p>\n
Jetzt hat sich ein Team des CSAIL des MIT und der University of Wisconsin in Madison daran gemacht, das Drehbuch umzudrehen. Durch den Einsatz von k\u00fcnstlicher Intelligenz und 3D-Modellierung haben sie einen neuen Weg f\u00fcr das Design von Unterwasserfahrzeugen gefunden, der der Kreativit\u00e4t der nat\u00fcrlichen Welt besser entspricht. Ihr Ansatz nutzt die k\u00fcnstliche Intelligenz nicht nur, um schwierige mathematische Berechnungen und Simulationen zu automatisieren, sondern auch, um sich Wasserfahrzeuge vorzustellen, die bei der herk\u00f6mmlichen Konstruktion m\u00f6glicherweise \u00fcbersehen werden. Noch besser ist, dass die Fahrzeuge, die aus diesem Prozess hervorgehen, billiger und einfacher herzustellen sind als ihre konventionell entworfenen Verwandten.<\/p>\n
Und so funktioniert es: Unter der Leitung des Forschers Peter Yichen Chen stellte die Gruppe zun\u00e4chst digitale Modelle aller Arten von Unterwasserformen zusammen - einige davon wurden von Menschenhand entworfen, andere direkt von Meeresbewohnern wie Walen und Mantarochen \u00fcbernommen. Sie setzten sie in einen flexiblen digitalen \u201cDeformationsk\u00e4fig\u201d ein, in dem sie die Formen auf unz\u00e4hlige Arten ver\u00e4nderten und dehnten, und lie\u00dfen sie dann durch einen virtuellen Ozean gleiten, um zu sehen, wie sie sich in verschiedenen Winkeln verhalten w\u00fcrden, auf der Suche nach neuen Gleiterdesigns, die genau richtig sein k\u00f6nnten.<\/p>\n
Aber es ist einfach nicht praktikabel, jede M\u00f6glichkeit von Hand zu bewerten. Stattdessen trainierten die Forscher ein neuronales Netz - eine Art digitale Vorhersagemaschine - um zu lernen, wie die subtilen \u00c4nderungen der einzelnen Formen die hydrodynamische Leistung ver\u00e4ndern. Ihr Hauptziel war das Verh\u00e4ltnis von Auftrieb zu Widerstand, eine entscheidende Kennzahl, die beschreibt, wie leicht sich ein Schiff durch das Wasser schieben l\u00e4sst, im Vergleich dazu, wie stark es zur\u00fcckgeschleppt wird. Kurz gesagt: Ein h\u00f6heres Verh\u00e4ltnis bedeutet, dass man mit weniger Kraftaufwand weiter und schneller vorankommt - ganz im Sinne dessen, was die Natur bei ihren besten Wasserfahrern bereits optimiert hat.<\/p>\n
Um die Vorhersagen der KI auf die Probe zu stellen, baute das Team einen Prototyp eines Segelflugzeugs, der auf einem ihrer neuen Designs basiert. In Windkanalexperimenten stimmte das Verh\u00e4ltnis von Auftrieb zu Widerstand fast perfekt mit den Vorhersagen der KI \u00fcberein - mit einer Abweichung von nur etwa 5%. Zwei der vielversprechendsten Segelflugzeuge wurden sogar in 3D gedruckt und mit Steuersystemen ausgestattet, damit sie in echtem Wasser man\u00f6vriert werden k\u00f6nnen. In Pooltests lie\u00dfen diese neuen Modelle die klassischen Torpedoformen hinter sich und bewiesen damit den Wert dieses neuen, KI-gesteuerten Ansatzes.<\/p>\n
Es gibt noch viel Raum f\u00fcr Verbesserungen: Das Team sucht nun nach M\u00f6glichkeiten, die Kluft zwischen Simulation und Realit\u00e4t weiter zu verringern und die Gleiter noch d\u00fcnner und wendiger zu machen. Eines Tages k\u00f6nnten Unterwasserroboter, die ihre Form st\u00e4ndig an die wechselnden Meeresstr\u00f6mungen anpassen, zur Norm werden. Die Hoffnung ist, dass eine solche Technologie eine neue Klasse von Unterwasserfahrzeugen hervorbringen k\u00f6nnte, die f\u00fcr Aufgaben wie die Beobachtung des Klimawandels, die Erforschung verborgener Meereswelten oder den Schutz empfindlicher Meeresumgebungen ma\u00dfgeschneidert sind.<\/p>\n
Viele H\u00e4nde haben dieses Projekt gepr\u00e4gt: neben Peter Yichen Chen sind dies Pingchuan Ma von OpenAI, Wei Wang von der University of Wisconsin in Madison und die MIT-Professoren Daniela Rus und Wojciech Matusik. Die Arbeit wurde von der DARPA und dem MIT-GIST-Programm unterst\u00fctzt. Wenn Sie mehr lesen m\u00f6chten, finden Sie den Originalbericht unter MIT-Nachrichten<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" There\u2019s something endlessly mesmerizing about watching sea life in motion. The way a seal darts through frigid waves or a manta ray glides with such effortless grace can hold anyone\u2019s attention. For centuries, these elegant feats of movement have fueled the curiosity of scientists, eager to understand\u2014and perhaps someday replicate\u2014nature\u2019s mastery underwater. Human solutions, though, have been far less creative. Most underwater vehicles\u2014those so-called AUVs, or Autonomous Underwater Vehicles\u2014have stuck to a familiar playbook: build them like torpedoes. That long, smooth, tube-like shape slices through water efficiently and is straightforward to design and build. But side-by-side with the creativity of […]<\/p>\n","protected":false},"author":4,"featured_media":6307,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,47],"tags":[],"class_list":["post-6306","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6306","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=6306"}],"version-history":[{"count":1,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6306\/revisions"}],"predecessor-version":[{"id":6487,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6306\/revisions\/6487"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/6307"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=6306"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=6306"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=6306"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}