Lebende Mikroorganismen haben spezialisierte sensorische Mechanismen entwickelt, um Umweltveränderungen zu erkennen, und verarbeiten diese Signale durch biochemische Netzwerke zur Verhaltenssteuerung. Diese Fähigkeiten in synthetischer aktiver Materie zu replizieren, bleibt eine grundlegende Herausforderung. Hier zeigen wir, dass synthetische aktive Partikel sich ausschließlich durch physische Verkörperung an verborgene hydrodynamische Störungen anpassen können, ohne explizite Sensorik. Durch den Einsatz von Reinforcement Learning zur Steuerung selbstthermophoretischer Partikel zeigen wir, dass sie Navigationsstrategien erlernen, um unbeobachtete Strömungsfelder zu kompensieren, indem sie Informationen nutzen, die in ihrer physikalischen Dynamik kodiert sind. Partikel navigieren erfolgreich durch Störungen, die nicht in ihren Zustandsinputs enthalten sind, und zeigen, dass verkörperte Dynamik als impliziter Sensormechanismus dienen kann. Diese Entdeckung etabliert die physische Verkörperung als rechnerische Ressource für die Informationsverarbeitung in aktiver Materie, mit Implikationen für autonome mikroroboter Systeme und bioinspirierte Berechnungen.
Paul et al. (Fr,) haben diese Frage untersucht.