低雷诺数下自学习如何游动
流体动力学
2020-07-15 v2
摘要
合成微游体在药物递送和显微手术等生物医学应用中展现出巨大前景。然而，由于其微观世界中低雷诺数(Re)下黏性力主导惯性力，它们的运动受到严格约束。此外，为一种介质设计的运动步态在另一种介质中可能失效。合成微游体的成功生物医学应用依赖于其穿越性质迥异的生物环境的能力。在此，我们利用机器学习的优势提出一种设计低Re游体的替代方法。这里游体并非先验指定任何运动步态，而是基于通过与周围介质的交互经由强化学习发展自身推进策略。这种自学习能力使游体能够响应不同环境修改其推进策略。我们用一个最小例子说明这一新方法：将标准强化学习算法（Q-learning）集成到由可伸缩杆连接的球组装而成的游体运动中。我们从理论上展示，这一首个自学习游体能在无低Re运动先验知识下恢复已知推进策略，在球数目增加时识别更有效运动步态，并适应不同介质中的运动步态。这些结果代表着朝设计一类具有鲁棒运动能力以穿越复杂生物环境的自学习、自适应（或“智能”）游体的初步进展。
引用
@article{arxiv.1808.07639,
title = {Self-learning how to swim at low Reynolds number},
author = {Alan Cheng Hou Tsang and Pun Wai Tong and Shreyes Nallan and On Shun Pak},
journal= {arXiv preprint arXiv:1808.07639},
year = {2020}
}