Исследователи из Массачусетского технологического института (MIT CSAIL) совместно с Университетом Висконсина в Мэдисоне разработали инновационный метод проектирования автономных подводных глайдеров. Новый подход позволяет создавать уникальные гидродинамические конструкции, способные эффективно собирать данные о морской среде.

Традиционные подводные глайдеры обычно имеют форму цилиндров или торпед из-за их относительно хороших гидродинамических характеристик. Однако природа демонстрирует гораздо более широкое разнообразие эффективных форм для перемещения в водной среде.

Исследователи MIT предположили, что искусственный интеллект может помочь изучить непроверенные конструкции глайдеров, не требуя трудоемких испытаний в реальных условиях.

Разработанный метод использует машинное обучение для тестирования различных трехмерных моделей в физическом симуляторе с последующей оптимизацией их формы для улучшения гидродинамических свойств. Ключевым преимуществом подхода является возможность производства итоговых моделей с помощью 3D-печати, что требует значительно меньше энергии по сравнению с традиционным производством.

Для демонстрации потенциала своей технологии команда MIT создала два глайдера размером примерно с буги-борд: двухкрылый аппарат, напоминающий самолет, и уникальный четырехкрылый объект, похожий на плоскую рыбу с четырьмя плавниками.

По словам постдока MIT CSAIL и соруководителя проекта Питера Ичена Чена, эти конструкции — лишь малая часть разнообразных форм, которые может генерировать их подход.

«Мы разработали полуавтоматический процесс, который помогает нам тестировать нетрадиционные конструкции, которые было бы очень сложно спроектировать человеку», — отмечает Чен. «Такой уровень разнообразия форм ранее не исследовался, поэтому большинство этих конструкций не тестировались в реальных условиях».

Технический процесс создания новых дизайнов начинается с анализа трехмерных моделей более 20 традиционных форм для морских исследований, таких как подводные лодки, киты, скаты и акулы. Исследователи помещали эти модели в «деформационные клетки», которые отображают различные точки артикуляции, которые затем модифицировались для создания новых форм.

Команда CSAIL создала набор данных из стандартных и деформированных форм, прежде чем моделировать их производительность при различных «углах атаки» — направлениях, под которыми судно будет наклоняться при движении в воде.

Эти разнообразные формы и углы атаки использовались в качестве входных данных для нейронной сети, которая прогнозировала эффективность конкретной формы глайдера и оптимизировала ее по мере необходимости.

Разработанная ИИ-технология открывает новые возможности для океанографов, позволяя создавать более эффективные аппараты для измерения температуры и солености воды, получения детальной информации о течениях и мониторинга воздействия изменения климата на морскую среду.