Meereswissenschaftler staunen lange darüber, wie Tiere wie Fisch und Seals so effizient schwimmen, obwohl sie unterschiedliche Formen haben. Ihre Körper sind für eine effiziente, hydrodynamische Wassernavigation optimiert, damit sie bei langen Strecken minimale Energie ausüben können.
Autonome Fahrzeuge können auf ähnliche Weise durch den Ozean driften und Daten über riesige Unterwasserumgebungen sammeln. Die Formen dieser Gleitmaschinen sind jedoch weniger vielfältig als das, was wir im Meeresleben finden-die Entwürfe ähneln oft Röhrchen oder Torpedos, da sie auch ziemlich hydrodynamisch sind. Außerdem erfordert das Testen neuer Builds viele reale Testverhandlungen.
Forscher aus dem Labor für Informatik und künstliche Intelligenz des MIT (CSAIL) und der College of Wisconsin von Madison schlagen vor, dass AI uns helfen könnte, unbekannte Segelflugzeugdesigns bequemer zu erkunden. Ihre Methode verwendet maschinelles Lernen, um verschiedene 3D -Designs in einem Physiksimulator zu testen und sie dann in hydrodynamische Formen zu formen. Das resultierende Modell kann über einen 3D-Drucker hergestellt werden, der wesentlich weniger Energie als handgefertigte.
Die MIT -Wissenschaftler sagen, dass diese Entwurfspipeline neue, effizientere Maschinen schaffen könnte, die Ozeanographen helfen, die Wassertemperatur und den Salzgehalt zu messen, detailliertere Erkenntnisse in Ströme zu sammeln und die Auswirkungen des Klimawandels zu überwachen. Das Staff demonstrierte dieses Potenzial, indem er zwei Segelflugzeuge ungefähr so groß wie ein Boogie-Board produzierte: eine zweiflügelige Maschine, die einem Flugzeug ähnelt, und einem einzigartigen Vierflügelobjekt, das einem flachen Fisch mit vier Flossen ähnelt.
Peter Yichen Chen, MIT CSAIL Postdoc und Co-Lead-Forscher des Projekts, stellt fest, dass diese Entwürfe nur einige der Roman-Forschungen des Ansatzes seines Groups erzeugen können. „Wir haben einen semi-automatischen Prozess entwickelt, der uns helfen kann, unkonventionelle Entwürfe zu testen, die für die Gestaltung von Menschen sehr anstrengend sind“, sagt er. „Dieses Maß an Formvielfalt wurde bisher noch nicht untersucht, sodass die meisten dieser Entwürfe in der realen Welt nicht getestet wurden.“
Aber wie kam AI in erster Linie auf diese Ideen? Erstens fanden die Forscher 3D -Modelle von über 20 konventionellen Meeresforschungsformen wie U -Booten, Walen, Manta -Strahlen und Haie. Anschließend haben sie diese Modelle in „Deformationskäfige“ beigetragen, die verschiedene Artikulationspunkte abgeben, die die Forscher umbrachten, um neue Formen zu schaffen.
Das von CSAIL geführte Staff baute einen Datensatz mit herkömmlichen und deformierten Formen auf, bevor sie simulierten, wie es sich in verschiedenen „Angreifendwinkeln“ auswirkt-in der Richtung, in die ein Schiff durch das Wasser gleitet. Beispielsweise möchte ein Schwimmer in einem Winkel von -30 Grad eintauchen, um einen Gegenstand aus einem Pool abzurufen.
Diese verschiedenen Formen und Angriffswinkel wurden dann als Eingaben für ein neuronales Netzwerk verwendet, das im Wesentlichen davon ausgeht, wie effizient eine Segelflugform in bestimmten Winkeln abbaut und nach Bedarf optimiert wird.
Gleitroboter einen Aufzug geben
Das neuronale Netz des Groups simuliert, wie ein bestimmter Segelflugzeug auf die Unterwasserphysik reagieren würde, um zu erfassen, wie er sich vorwärts bewegt, und die Kraft, die sich dagegen schleppt. Das Ziel: Finden Sie das beste Verhältnis von Raise-to-Drag-Verhältnis und stellen dar, wie viel der Segelflugzeug im Vergleich zu der zurückgehaltenen Haltung des Segelflugzeugs wird. Je höher das Verhältnis, desto effizienter fährt das Fahrzeug; Je niedriger es ist, desto mehr verlangsamt sich der Segelflugzeug während seiner Reise.
Aufzündungsverhältnisse sind der Schlüssel für fliegende Flugzeuge: Beim Begin möchten Sie den Auftrieb maximieren, um sicherzustellen, dass er gegen Windströmungen intestine gleiten kann, und bei der Landung benötigen Sie eine ausreichende Kraft, um es an einen vollen Stopp zu ziehen.
Niklas Hagemann, ein MIT -Doktorand in Architektur und CSAIL -Associate, stellt fest, dass dieses Verhältnis genauso nützlich ist, wenn Sie eine ähnliche gleitende Bewegung im Ozean wünschen.
„Unsere Pipeline modifiziert Segelflugzeugformen, um das beste Auftrieb zu Drag-Verhältnis zu finden und seine Leistung unter Wasser zu optimieren“ Papier Dies wurde auf der Internationalen Konferenz über Robotik und Automatisierung im Juni vorgestellt. „Sie können dann die Prime-Performing-Designs exportieren, damit sie 3D-gedruckt werden können.“
Schnell gleiten
Während ihre KI -Pipeline realistisch wirkte, mussten die Forscher sicherstellen, dass ihre Vorhersagen über die Segelflugzeugleistung genau waren, indem sie in lebensloseren Umgebungen experimentierten.
Sie stellten zuerst ihr zweiflügeliges Design als verkleinertes Fahrzeug her, das einem Papierflugzeug ähnelte. Dieser Segelflugzeug wurde zu MITs Wright Brothers Windunnel gebracht, einem Innenraum mit Lüftern, die den Windfluss simulieren. Das in unterschiedliche Winkel platzierte Segel-Verhältnis des Segelflugzeugs struggle durchschnittlich nur etwa 5 Prozent höher als in den Windversuche-ein kleiner Unterschied zwischen Simulation und Realität.
Eine digitale Bewertung, die einen visuellen, komplexeren Physiksimulator beinhaltete, stützte auch die Vorstellung, dass die KI -Pipeline ziemlich genaue Vorhersagen darüber machte, wie sich die Segelflugzeuge bewegen würden. Es hat sich vorgestellt, wie diese Maschinen in 3D absteigen würden.
Um diese Segelflugzeuge in der realen Welt wirklich zu bewerten, musste das Staff sehen, wie ihre Geräte unter Wasser abschneiden würden. Sie druckten zwei Designs, die für diesen Take a look at die besten an bestimmten Angriffspunkten durchführten: ein jetähnliches Gerät bei 9 Grad und das Vierflügelfahrzeug bei 30 Grad.
Beide Formen wurden in einem 3D -Drucker als Hohlhülsen mit kleinen Löchern hergestellt, die bei vollständigem Eintauchen fluten. Dieses leichte Design erleichtert das Fahrzeug außerhalb des Wassers und erfordert weniger Materials. Die Forscher platzierten ein röhrelartiges Gerät in diese Schalenabdeckungen, in dem sich eine Reihe von {Hardware} befanden, einschließlich einer Pumpe, um den Auftrieb des Segelflügels, einen Massenschalter (ein Gerät, das den Angriffswinkel der Maschine steuert) und elektronische Komponenten zu ändern.
Jedes Design übertraf einen handgefertigten, torpedoförmigen Segelflugzeug, indem er sich effizienter über einen Pool bewegte. Bei höheren Verhältnissen zu Drag-Verhältnissen als ihr Gegenstück setzten beide KI-gesteuerte Maschinen weniger Energie aus, ähnlich wie die mühelosen Arten, die Marine-Tiere durch die Ozeane navigieren.
So sehr das Projekt ein ermutigender Schritt vorwärts für das Segelflugzeugdesign ist, wollen die Forscher die Lücke zwischen Simulation und realer Leistung einschränken. Sie hoffen auch, Maschinen zu entwickeln, die auf plötzliche Veränderungen der Strömungen reagieren und die Segelflugzeuge an die Meere und die Ozeane anpassungsfähiger machen können.
Chen fügt hinzu, dass das Staff neue Arten von Formen erkunden möchte, insbesondere dünnere Segelflugzeugdesigns. Sie beabsichtigen, ihren Rahmen schneller zu gestalten, und stärken sie möglicherweise mit neuen Funktionen, die mehr Anpassung, Manövrierfähigkeit oder sogar die Schaffung von Miniaturfahrzeugen ermöglichen.
Chen und Hagemann haben mit OpenAI-Forscher Pingchuan MA SM ’23, PhD ’25, zusammengearbeitet. Sie verfassten die Zeitung mit Wei Wang, einer Universität von Wisconsin bei Madison Assistenzprofessor und den kürzlich von CSAIL Postdoc. John Romanishin ’12, SM ’18, PhD ’23; und zwei MIT -Professoren und CSAIL -Mitglieder: Labordirektor Daniela Rus und Senior Autor Wojciech Matusik. Ihre Arbeit wurde teilweise von einem Zuschuss der Verteidigung Superior Analysis Initiatives Company (DARPA) und dem MIT-Gist-Programm unterstützt.