Opis projektu
Jak widłonogi poznają otaczający je świat?
Niewielkie skorupiaki nazywane widłonogami zamieszkują licznie morskie siedliska, skutecznie stawiając czoła prądom oceanicznym i turbulencjom. Ich czułki są doskonale wyczulone na dane mechaniczne i chemiczne, dzięki którym są w stanie lokalizować pożywienie, partnerów oraz drapieżników. Zespół finansowanego ze środków Unii Europejskiej projektu C0PEP0D zamierza dowiedzieć się, w jaki sposób widłonogi przetwarzają sensoryczne informacje mechaniczne i chemiczne w turbulentnym środowisku morskim. W tym celu badacze zamierzają stworzyć wirtualny model uczący się, wykorzystujący sygnalizację hydrodynamiczną, przeprowadzić eksperymenty z udziałem żywych osobników w symulowanych środowiskach oraz opracować nowatorskie algorytmy uczenia przez wzmocnienie, które będą w stanie odwzorować rozwój widłonogów oraz proces poznawania przez nie świata. Celem projektu jest uzyskanie nowych informacji na temat ewolucji gatunków morskich, co pozwoli na zainspirowanie innowacji w zakresie inżynierii biomimetycznej.
Cel
Life is tough for planktonic copepods, constantly washed by turbulent flows. Yet, these millimetric crustaceans dominate the oceans in numbers. What have made them so successful? Copepod antennae are covered with hydrodynamic and chemical sensing hairs that allow copepods to detect preys, predators and mates, although they are blind. How do copepods process this sensing information? How do they extract a meaningful signal from turbulence noise? Today, we do not know.
C0PEP0D hypothesises that reinforcement learning tools can decipher how copepod process hydrodynamic and chemical sensing. Copepods face a problem similar to speech recognition or object detection, two common applications of reinforcement learning. However, copepods only have 1000 neurons, much less than in most artificial neural networks. To approach the simple brain of copepods, we will use Darwinian evolution together with reinforcement learning, with the goal of finding minimal neural networks able to learn.
If we are to build a learning virtual copepod, challenging problems are ahead: we need fast methods to simulate turbulence and animal-flow interactions, new models of hydrodynamic signalling at finite Reynolds number, innovative reinforcement learning algorithms that embrace evolution and experiments with real copepods in turbulence. With these theoretical, numerical and experimental tools, we will address three questions:
Q1: Mating. How do male copepods follow the pheromone trail left by females?
Q2: Finding. How do copepods use hydrodynamic signals to ‘see’?
Q3: Feeding. What are the best feeding strategies in turbulent flow?
C0PEP0D will decipher how copepods process sensing information, but not only that. Because evolution is explicitly considered, it will offer a new perspective on marine ecology and evolution that could inspire artificial sensors. The evolutionary approach of reinforcement learning also offers a promising tool to tackle complex problems in biology and engineering.
Dziedzina nauki
- natural sciencesbiological sciencesecology
- natural sciencescomputer and information sciencesartificial intelligencemachine learningreinforcement learning
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineeringsensors
- natural sciencescomputer and information sciencesartificial intelligencecomputational intelligence
Program(-y)
Temat(-y)
System finansowania
ERC-ADG - Advanced GrantInstytucja przyjmująca
13383 Marseille Cedex 13
Francja