機器學習改變迷你生物混合鰭設計，游泳效率翻倍

一項新的研究顯示，機器學習導向的優化 (ML-DO) 可以有效地尋找生物混合機器人的高性能設計。研究人員利用機器學習的方法，製作了由心肌細胞和橡膠組成的迷你生物混合鰩，翼展約為10毫米，游泳效率大約是傳統仿生方法所製作的鰩的兩倍。

這項研究由哈佛大學工程與應用科學學院的博士後研究員約翰·齊默曼 (John Zimmerman) 領導，還包括 NTT 研究醫療與健康資訊科學家石井亮馬 (Ryoma Ishii)、哈佛大學生物工程與應用物理學的塔爾家族教授凱文·基特·帕克 (Kevin Kit Parker)，以及由帕克領導的哈佛 SEAS 疾病生物物理小組的成員。這項研究的成果發表在《科學機器人學》上，標題為「基於機器學習的組織工程鰩的生物啟發設計」。

石井表示：「這項研究試圖回答在生物混合機器人開發中一個基本問題，特別是海洋鰩：我們如何選擇鰭的幾何形狀，以便在新的工作環境中運作，同時保持游泳速度和效率的自然縮放法則？」

他還提到：「我們的研究顯示，受蛋白質工程啟發的 ML-DO 應用提供了一種更有效且計算需求較低的自動化方法，來創建肌肉結構與功能的關係。」

仿生方法的限制

在仿生設計中，傳統的生物混合方法是通過重建現有的生物結構來形成功能設備。然而，這種方法有其限制。例如，對於類似鰩魚的生物混合生物，存在著多種自然的長寬比和鰭的形態。我們應該模仿哪一種呢？

此外，仿生學可能忽略了影響生物游泳速度的自然生物力學和流體力學力量，這會導致肌肉質量效率低下和游泳速度受限。因此，這項研究提出的問題是：如何選擇鰭的幾何形狀，以便在新的工作環境中運作，同時保持游泳速度和效率的自然縮放法則？

機器學習的設計突破

這個多學科且迭代的問題需要計算密集的建模，但團隊相信，機器學習導向的優化 (ML-DO) 能夠有效地尋找最大化相對游泳速度的鰭設計。

他們的假設部分基於一個試驗函數，顯示 ML-DO 在識別已知高排名序列方面比其他主要方法提高了約40%。測試這一假設涉及三個步驟：1) 開發一個表達多種不同鰭幾何形狀的算法；2) 描述一種通用的 ML-DO 方法，用於在大型不連續配置空間中搜尋；3) 使用這種方法識別高性能游泳的生物混合鰭幾何形狀，並確保流動平滑有序。

ML-DO 驅動的結果包括對鰭結構與功能關係的定量探索，重建開放海域鰩魚形態的一般趨勢，以及一個成功的設計：具有大長寬比和細尖端的鰭，能夠在多種游泳長度尺度上保持其效用。

基於此，團隊製作了由工程心肌組織構成的生物混合迷你鰩，這些鰩能在毫米長度尺度上自我推進游泳，並顯示出約為先前仿生設計的兩倍的游泳效率。

展望未來

雖然這些研究結果很有希望，但研究人員指出，仍需進一步的工作來完全匹配自然縮放法則。雖然這項研究中展示的設備比其他最近的仿生設計效率更高，但它們的平均效率仍略低於自然存在的海洋生物。

未來，研究人員希望繼續開發生物混合機器人，應用於遠端感測器、危險工作環境的探測器以及作為治療性藥物傳遞工具。研究人員相信，受 ML-DO 啟發的方法更好地模擬了進化的選擇壓力，使他們能更好地理解生物組織的形狀——無論是在健康生理狀態還是疾病的適應不良病理生理方面。此外，這項研究還促進了對三維器官生物製造的科學理解，例如生物混合心臟。