物理知识的AI学习羊群和集体运动行为背后的本地规则
作者：by Seoul National University
首尔国立大学和Kyung Hee University的研究人员报告了一个框架，通过培训物理知识的AI来了解控制个人之间互动的本地规则，以控制集体动议，例如环，团块，磨坊，羊群。
纸是出版在日记中细胞报告物理科学。
该方法指定何时应从随机的初始条件和调音几何特征（平均半径，簇尺寸，羊群大小）出现何时出现。此外，接受了出版的培训真正鸽子的GPS轨迹，该模型发现在实际羊群中观察到的相互作用机制。
集体运动是一种新兴的现象，其中许多自我旋转的个人（鸟类，鱼类，昆虫，机器人甚至人群）会产生大规模模式，而无需任何中央决策。每个人只对附近的邻居做出反应，但该组表现出连贯的集体运动。分析本地的简单程度互动引起这样的全球秩序是具有挑战性的，因为这些系统是嘈杂的和非线性的，并且感知通常是定向性的。
通过了解物理学的AI学习本地规则
为了应对这些挑战，团队建立了遵守动态定律的神经网络，并接受了简单模式特征的培训，并在可用的情况下进行实验轨迹。
这神经网络推断出两种基本类型的本地交互规则：基于距离的规则，这些规则设置了间距，基于速度的规则，将标题对齐以及它们的组合。该团队还表明，遵循这些规则的自构剂繁殖了具有特定几何特征的预期目标集体模式。
示例包括调节环半径，团块中的簇大小以及磨机中的旋转模式（单个或双重）；在不同的集体模式之间诱导连续过渡；并在障碍物和受限区域内实现动议。
同一框架可以通过合并各向异性的视野来适合实际轨迹的简短段，从而产生与自然界观察到的Leader-Proshroter层次结构一致的相互作用定律。
在集体行为和机器人技术中开放新的可能性
通过将集体行为变成可以解码的东西，这种方法提供了实用的工程和科学利益。在机器人技术中，它为编程无人机和接地机组群提供了蓝图，以按需形成和切换模式。
在自然科学，它有助于定量确定哪些局部相互作用足以解释观察到的植入，从而实现了有关感觉范围和比对强度的假设测试。
从更广泛的角度来看，该方法可以指导设计自我组装成目标形状的活性材料的设计，并有助于生成逼真的合成数据集，以研究复杂的分散系统。
更多信息：Dongjo Kim等人，通过神经网络指挥紧急行为，细胞报告物理科学（2025）。doi：10.1016/j.xcrp.2025.102857
引用：物理知识的AI学习羊群和集体运动行为背后的当地规则（2025年，9月26日）检索2025年9月27日摘自https://phys.org/news/2025-09-Physics-ai-local-flocking-motion.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《物理知识的AI学习羊群和集体运动行为背后的本地规则》的评论
暂无评论