Chemotaxis von Mikroschwimmern durch genetische Algorithmen

Mikroorganismen spielen in vielen biologischen Phänomenen eine Schlüsselrolle. Über Jahrmillionen haben sie ein breites Spektrum an Strategien entwickelt, das ihnen ihr Überleben garantiert: bei der Nahrungsaufnahme, um sich vor Feinden zu schützen oder um Beute zu fangen. Zu diesen Strategien zählen etwa koordinierte Verformungen ihrer Körper oder die Fortbewegung mittels Flagellen. Um die jeweiligen Fortbewegungsstrategien der Mikroschwimmer besser zu verstehen, wurden Modelle vorgeschlagen, die allerdings oft von einer vorgegebenen Bewegungsstrategie ausgehen, d.h., es wird nicht berücksichtigt, dass die Mikroorganismen eigentlich ständig ihre Strategien an die wechselnden, umgebenden Bedingungen anpassen müssten. In diesem Projekt stelle ich ein Konzept vor, wie man diese Modelle trainieren und somit ihr Verhalten auf die jeweils vorliegenden Umgebungsbedingungen adaptieren kann. Dieser Lernschritt soll mit Hilfe von Methoden der Künstlichen Intelligenz umgesetzt werden. Ich werde mich dabei auf einfache Modelle von Mikroschwimmern konzentrieren, wie etwa den tetraedrischen Vier-Knoten Schwimmer oder den chiralen Squirmer. Sie sollen darauf trainiert werden, ihre Bewegungsstrategien an ihre wechselnde Umgebung laufend anzupassen, sodass sie fähig sind, spezielle Aufgaben zu erfüllen: Chemotaxis, Nahrungskonkurrenz mit anderen Schwimmern oder die Flucht vor einem Feind. Speziell werde ich die Bewegungsgleichungen dieser Modelle mit modernen Methoden der Künstlichen Intelligenz kombinieren, sodass meine Mikroorganismen ihre Fortbewegungsstrategien dahingehend optimieren, sodass sie erwähnten, wohl definierten Aufgaben erfüllen können. Durch die Analyse des Verhaltens dieser Modelle in verschiedenen Umgebungen erhalte somit ich einen tieferen Einblick in ihre Überlebensstrategien. Methodisch werde ich Konzepte der Künstlichen Intelligenz mit den Bewegungs- gleichungen der Mikroschwimmer unter kleinen Reynolds-Zahlen verbinden, ein Zugang, der bislang kaum in Anwendung kam. Konkret werde ich adaptive neuronale Netzwerke verwenden, die die Interaktion zwischen der Deformation der Körper der Mikroschwimmer mit ihrer Umgebung optimieren. Auf diese Art werde ich die Bewegungsmuster meiner Modelle trainieren, sodass sich die Schwimmer in verschiedenen Umgebungen optimal bewegen können. Dieser Ansatz wurde bislang nur für ein einfaches, eindimensionales Schwimmer-Modell verwendet. Die Erweiterung auf komplexere, aber realistische Modelle und Szenarien ist völlig neu und anspruchsvoll, sie wird aber auch zweifelsohne tiefere Erkenntnisse liefern. Meine bisherige Erfahrung mit Mikroschwimmern und die Erfahrung mit Methoden der Künstlichen Intelligenz, die in der Gastgruppe (geleitet von Prof. Dr. Gerhard Kahl, Institut für Theoretische Physik, TU Wien) vorhanden ist, stellen eine solide Basis für meine geplanten Arbeiten dar.