Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) y NTT Research, Inc., una división de NTT, anunció la publicación de la investigación que publica la aplicación de los directores de aprendizaje automático Optimización dirigida (ML-DO) que parece efectivamente. Estructuras de diseño de alto rendimiento en el contexto del robot bio -hidridio. Aplicando un enfoque de aprendizaje automático, los investigadores hicieron el caucho con cardiomicitis (células musculares cardíacas) y el caucho con alas de aproximadamente 10 mm, que se desarrolló recientemente bajo el enfoque biomético tradicional.
Un equipo encabezado por John Zimerman, un colega del documental de Harvard Sea Post, junto con un equipo, junto con el científico de Informática Médica y de Salud de NTT Research Riaom Ashi, Bioche Engineering and Applied Física Kevin Kit Kit Kit Parker Harvard Sea Family Family, y profesor de Parker. Fui demostrado por miembros del grupo de biogénica de enfermedad de Harvard C. Investigación en un nuevo artículo publicado en Robótica de la ciencia Título, “Diseño de soporte biografía de un ingeniero de tejidos Ray con aprendizaje automático”.
“Esta investigación intenta responder una pregunta fundamental en el desarrollo del robot biométrico, en este caso Ray Marine: trabajamos la novela mientras protegemos las reglas de la escala natural en términos de velocidad y rendimiento de natación. ¿Cómo elegirá la geometría del arte de trabajar debajo de El medio ambiente “, Asian, que también trabaja como científico visitante en la Universidad de Harvard. “Nuestra investigación indica la aplicación de MLDOS, que, influenciado por la ingeniería de proteínas, ofrece una forma más efectiva y menos computacional para crear automáticamente la función de estructura muscular”.
Límites de la vista biomética
En el diseño biométrico, el enfoque tradicional para los biohibridos, los ingenieros revuelven estructuras biológicas existentes y crean dispositivos activos. Sin embargo, este enfoque tiene límites. Para la biometría que son similares a los peces betredes (patines y rayos), por ejemplo, hay una amplia gama de aspectos naturales y una amplia gama de forma de arte. ¿A quién imitaste? Además, las biométicas pueden ignorar los poderes biochechínicos e hidroidámicos naturales que rigen cuán rápido puede nadar el organismo sobre la base de su tamaño y dinámica física, causando músculo masivo y natación limitada.
Desde esta luz, se ha convertido la pregunta alentadora en este estudio: ¿cómo elige la geometría del arte que funciona bajo el nuevo entorno de trabajo al tiempo que protege las reglas en una escala natural en términos de velocidad y rendimiento de natación?
Logros de diseño de aprendizaje automático
La competencia era muy necesaria para la naturaleza multiprofisticada y agitada del problema, pero el equipo cree que la reforma del aprendizaje automático (ML-DO) puede explorarse de manera efectiva para los diseños de arte que los hicieron. velocidad de natación. Se basó parcialmente en su especulación basada en una función de prueba, que mostró aproximadamente el 40 % de la mejora de ML-DO en otras formas importantes de reconocer el orden avanzado conocido. Esta prueba de suposición incluye tres pasos: 1) desarrollar un algoritmo para expresar una serie de diferentes geometría; 2) Descripción de un enfoque ML-DO común dentro de un gran espacio de diseño no administrado; Y 3) utilizando este método para identificar la geometría biométrica para la natación de alto rendimiento con flujo suave y sistemático.
Los resultados impulsados por ML-DO incluyen un hallazgo cuantitativo de las funciones de la estructura del arte y la reconstrucción de tendencias generales en la morfología abierta, así como un diseño ganador: con un gran aspecto proporcional y excelente puntas superadas las alas, que conservaron su utilidad. Muchas longitudes de natación. Sobre esta base, el equipo realizó mini rayos biométricos fuera de los tejidos musculares cardíacos de ingeniería, que era capaz de nadar con potencia autónoma en una escala de longitud de milímetro y se observó en diseños biométicos anteriores casi dos demostraciones de servicios de natación más.
Están ansiosos por
Promisores, los investigadores señalaron que se necesita trabajo adicional para cumplir completamente las reglas de escala natural. Aunque los dispositivos presentados en este estudio han realizado más que los diseños biométricos recientes, fueron ligeramente menos eficientes que la vida marina naturalmente encontrada.
En el futuro, los investigadores esperan que los sensores remotos continúen desarrollando robótica biométrica para problemas de entorno de trabajo peligroso que investiga y tratan vehículos terapéuticos. Los investigadores creen que el enfoque informado de ML transmite mejor la presión electoral de la evolución, lo que les permite comprender mejor cómo se forman los tejidos biológicos. Además, esta investigación sigue la comprensión científica de los bioquímicos de órganos 3D, como el corazón bio -cibridal.
“El Grupo de Bio -Physics de Harvard firmó un acuerdo de investigación conjunta con NTT Research hace dos años, con el objetivo de observar el desarrollo de la biometría, incluida la robótica biométrica y el corazón humano biométrico., Nuestra comprensión de la fisiología cardíaca es básicamente cuestionamiento. ” “Esta tesis indica que el progreso positivo que ha logrado nuestra investigación conjunta ha logrado hasta ahora, y estoy emocionado de ver cuál es el futuro de nuestra cooperación”.
En 2022, NTT Research y Harvard Sea han realizado un acuerdo de investigación conjunta de tres años para diseñar el modelo de corazón humano, estudiar las leyes básicas de las bombas musculares y aplicar resultados articulares para el desarrollo de modelos gemelos biovasculares bio -digitales anunciados.
