Des chercheurs de la TU Darmstadt ont présenté une approche dans Actes de l'Académie nationale des sciences (PNAS ) qui peut être utilisé pour déterminer systématiquement des stratégies de recherche efficaces. Cela pourrait aider à concevoir intelligemment des tâches telles que la recherche de cellules cancéreuses ou la réhabilitation environnementale à l'avenir.

Un problème de physique statistique étudié depuis des décennies concerne la manière dont un « agent » doit se déplacer afin de collecter efficacement des cibles distribuées de manière aléatoire. Il peut s'agir, par exemple, d'une bactérie à la recherche de produits chimiques essentiels, d'un oiseau de proie à la recherche de nourriture ou d'un (micro)robot collectant des molécules de toxines ou des déchets.

La question de la stratégie de déplacement optimale est particulièrement délicate dans le cas typique où la distribution alimentaire est inconnue de l'agent mais est spatialement corrélée; c'est-à-dire qu'il change continuellement dans l'espace plutôt que brusquement. Par exemple, les bactéries trouvent non seulement une forte concentration de nutriments directement au niveau d'une source de nourriture, mais également dans la zone qui l'entoure, car les molécules correspondantes se propagent de manière diffuse.

Les bactéries ont développé des stratégies de recherche dites chimiotactiques pour exploiter de telles corrélations. Ici, ils mesurent le changement de concentration alimentaire tout au long de leur trajet et changent la direction de leur mouvement afin qu'ils se déplacent statistiquement dans le sens d'une concentration ascendante. Cela leur permet à la fois de profiter de leur expérience de l'augmentation de la concentration alimentaire dans une direction spécifique et d'explorer leur environnement afin de vérifier en permanence si la concentration alimentaire pourrait augmenter davantage dans une autre direction.

Il existe actuellement un problème similaire dans le domaine des micronageurs artificiels qui, comme les bactéries, peuvent se déplacer de manière autonome dans leur environnement :comment les programmer pour collecter efficacement des molécules de toxines ou des microplastiques ?

La physique statistique n’a pas encore trouvé de réponses satisfaisantes à des problèmes de recherche aussi complexes. Les approches précédentes se limitaient aux modèles phénoménologiques, qui décrivent essentiellement uniquement le mouvement des bactéries. De la même manière, il n’existe toujours pas d’approches systématiques pour déterminer systématiquement les stratégies de recherche optimales. C'est pourquoi on ne sait toujours pas exactement quelle est l'efficacité réelle des stratégies de recherche décrites dans les modèles phénoménologiques et des tactiques (stratégies) développées au cours de l'évolution par les bactéries.

Des chercheurs de la TU Darmstadt du groupe de théorie de la matière molle dirigé par le professeur Benno Liebchen (Département de physique, Institut de physique de la matière condensée) se sont maintenant penchés sur cette lacune dans les connaissances. Dans le cadre de la publication « Les particules actives intelligentes apprennent et transcendent les stratégies de recherche de nourriture bactérienne », ils ont, pour la première fois, développé une méthode permettant de déterminer systématiquement des stratégies de recherche efficaces.

On y considère un agent qui se déplace à une vitesse constante et qui peut décider à chaque pas de temps soit de continuer dans la même direction que la dernière fois, soit de changer la direction de son mouvement (de manière aléatoire). L'agent choisit entre ces deux options à l'aide de réseaux de neurones artificiels, dans lesquels est alimentée, entre autres, la « concentration alimentaire » visible par l'agent à proximité immédiate. Cependant, la distribution mondiale de la nourriture reste inconnue de l'agent.

Les réseaux neuronaux ont été formés dans une large classe d’environnements aléatoires de « concentration alimentaire ». Les schémas de mouvement résultants de l'agent ont ensuite été analysés. Il est intéressant de noter qu'à l'exception de quelques détails frappants, ceux-ci présentent une ressemblance frappante avec les schémas de déplacement de bactéries réelles et avec les schémas de déplacement décrits par les modèles phénoménologiques.

Mais ce qui était encore plus surprenant était le résultat d’une comparaison de l’efficacité de la recherche de nourriture. Cela a montré une nette supériorité des agents formés au moyen de réseaux de neurones, qui étaient bien meilleurs dans l'exploitation de la structure de leur environnement que ce que pouvaient décrire les modèles phénoménologiques précédents.

Les résultats de la recherche pourraient s'avérer utiles pour programmer les futurs micronageurs, nanorobots et particules intelligentes pour des tâches telles que la recherche de cellules cancéreuses, de microplastiques ou la réhabilitation de l'environnement.

Dans le même temps, les résultats démontrent les grands avantages que les nouveaux outils d’apprentissage automatique, au-delà du Big Data et des grands modèles de langage, peuvent apporter en physique. Ils permettent d'étudier des problèmes presque impossibles à résoudre avec les méthodes conventionnelles de calcul et de simulation.

Plus d'informations : Mahdi Nasiri et al, Les particules actives intelligentes apprennent et transcendent les stratégies de recherche de nourriture bactérienne, Actes de l'Académie nationale des sciences (2024). DOI : 10.1073/pnas.2317618121

Informations sur le journal : Actes de l'Académie nationale des sciences

Fourni par la Technische Universitat Darmstadt