機器學習驅動微型生物混合魟魚設計，游泳效率倍增

一項最新研究展示了機器學習導向最佳化（ML-DO）在生物混合機器人設計中的應用，這項技術能高效搜尋高效能的設計配置。研究團隊運用機器學習方法，成功開發出由心肌細胞和橡膠製成的微型生物混合魟魚，其翼展約10毫米，游泳效率比傳統仿生方法設計的版本提升了近兩倍。

這項研究由哈佛大學工程與應用科學學院（SEAS）的博士後研究員約翰·齊默爾曼（John Zimmerman）領導，團隊成員包括NTT研究醫療與健康資訊科學家石井亮磨（Ryoma Ishii）、哈佛SEAS塔爾家族生物工程與應用物理教授凱文·基特·帕克（Kevin Kit Parker），以及帕克領導的哈佛SEAS疾病生物物理學組成員。研究成果發表於《科學機器人》（Science Robotics）期刊，標題為「基於機器學習的生物啟發組織工程魟魚設計」。

石井亮磨表示：「這項研究旨在回答生物混合機器人開發中的一個基本問題，以海洋魟魚為例：我們如何選擇鰭的幾何形狀，使其在新穎的工作環境中運作，同時保持自然尺度下的游泳速度和效率？」他同時也是哈佛大學的訪問科學家。

研究指出，受蛋白質工程啟發的ML-DO應用，為自動化建立肌肉結構與功能關係提供了一條更高效且計算量較少的途徑。傳統仿生設計中，工程師透過複製現有生物結構來打造功能性裝置，但這種方法有其侷限性。例如，對於類似魟魚的生物混合生命體，自然界中存在多種不同的長寬比和鰭形態，該模仿哪一種？此外，仿生設計可能忽略了自然生物力學和流體力學的力量，這些力量決定了生物基於其大小和身體運動學的游泳速度，導致肌肉質量效率低下和游泳速度受限。

因此，這項研究的核心問題是：如何選擇鰭的幾何形狀，使其在新穎的工作環境中運作，同時保持自然尺度下的游泳速度和效率？這個多學科且迭代性的問題需要大量計算建模，但團隊相信，基於機器學習的導向最佳化（ML-DO）能高效搜尋出最大化相對游泳速度的鰭設計。

團隊的假設部分基於一項試驗函式，該函式顯示ML-DO在識別已知高排名序列方面比其他領先方法提升了約40%。測試假設包括三個步驟：1）開發一種演算法來表達多種不同的鰭幾何形狀；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進行搜尋；3）運用這種方法來識別高效能游泳的生物混合鰭幾何形狀，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，以及重建開放海域魟魚形態的一般趨勢。最終獲勝的設計是：具有大長寬比和細尖端的鰭，這種設計在多種長度尺度的游泳中保持了其效用。

基於此，團隊利用工程化心肌組織建造了微型生物混合魟魚，這些魟魚能夠在毫米尺度上進行自主遊泳，其游泳效率比之前的仿生設計提升了約兩倍。儘管成果令人鼓舞，但研究人員指出，仍需進一步工作以完全匹配自然尺度定律。雖然這項研究中的裝置效率高於其他最近的仿生設計，但平均而言仍略低於自然存在的海洋生物。

未來，研究人員預計將繼續開發生物混合機器人，應用場景包括遠端感測器、危險工作環境的探測器，以及治療性遞送載體。研究人員認為，ML-DO啟發的方法更好地模擬了進化的選擇壓力，使他們能更深入地理解生物組織如何成形——無論是在健康的生理狀態下，還是在疾病的適應不良病理生理學中。此外，這項研究也推動了對3D器官生物製造（如生物混合心臟）的科學理解。