Differential Equation Discovery of Robotic Swarm as Active Matter

Dieses Kapitel befasst sich mit der Anwendung der Entdeckung von Differentialgleichungen auf Roboterschwärme als aktive Materie, einer Klasse von Systemen, die durch kollektives, von Selbstzusammensetzung angetriebenes Verhalten charakterisiert ist. Durch die Nutzung maschineller Lernmethoden, insbesondere physikalisch fundierter neuronaler Netzwerke und Entdeckungstechniken von Gleichungen, schlagen die Autoren einen universellen datengestützten Ansatz vor, um Modelle abzuleiten, die die Verhaltensmerkmale dieser Systeme widerspiegeln. Das Kapitel untersucht mehrere Probleme, darunter die Bewegung eines einzelnen Teilchens in 2D ohne äußeren Zwang und die Extraktion von Verdrängungsfeldern aus experimentellen Daten mit Hilfe von Methoden der Computervision, um partielle Differentialgleichungen (PDEs) herzuleiten. Das speziell für diesen Zweck konzipierte EPDE-Framework integriert sich nahtlos in den TEDEouS-Solver, um die Lösungen entdeckter Gleichungen mit experimentellen Daten zu vergleichen. Das Kapitel diskutiert auch die Herausforderungen und Unsicherheiten bei der Modellierung von Systemen der aktiven Materie, wobei die Notwendigkeit einer Expertenberatung und Verbesserung der Datenqualität hervorgehoben wird. Die Ergebnisse unterstreichen das Potenzial moderner Entdeckungstechniken von Gleichungen, unser Verständnis aktiver Materiesysteme zu verbessern und Bereiche für zukünftige Verbesserungen aufzuzeigen.