人工智能体追踪湍流羽流中的涌现行为与神经动力学

追踪湍流羽流以定位其源是一项复杂的控制问题，因为它需要多感官整合，并且必须对间歇气味、变化风向和可变羽流统计具有鲁棒性。飞行昆虫经常执行此任务，通常为了寻找食物或配偶而跨越长距离。许多实验研究已详细探讨了这种非凡行为的若干方面。在此，我们采用互补的计算机模拟（in silico）方法，利用强化学习训练的人工智能体，对支持羽流追踪的行为与神经计算形成综合性理解。具体而言，我们使用深度强化学习（DRL）训练循环神经网络（RNN）智能体来定位模拟湍流羽流的源。有趣的是，这些智能体的涌现行为类似于飞行昆虫，且RNN学会表示任务相关变量，如头部朝向和自上次遭遇气味以来的时间。我们的分析提出了一个引人注目且可由实验检验的假设——针对变化风向下的羽流追踪，智能体遵循局部羽流形状而非当前风向。虽然反射性短时记忆行为足以追踪恒定风中的羽流，但更长的记忆时间尺度对于追踪变向羽流至关重要。在神经动力学层面，RNN的群体活动呈低维组织并形成 distinct 的动态结构，与行为模块有一定对应。我们的计算机模拟方法为湍流羽流追踪策略提供了关键直觉，并激励未来的针对性实验与理论发展。