DiffeoMorph: KI-gestützte 3D-Formgebung mit differenzierbaren Agenten

In einem bahnbrechenden Beitrag aus dem Bereich der biologischen Morphogenese und der künstlichen Intelligenz präsentiert das Forschungsteam die neue Plattform DiffeoMorph. Diese end-to-end differenzierbare Methode ermöglicht es, aus einer Population identischer Agenten – ähnlich wie Zellen – komplexe dreidimensionale Strukturen zu formen, ohne dass ein zentraler Steuerer benötigt wird.

Jeder Agent nutzt ein auf Attention basierendes, SE(3)-equivariante Graph Neural Network, um seine Position und seinen internen Zustand zu aktualisieren. Dabei werden sowohl die eigenen Zustände als auch Signale von Nachbarn berücksichtigt. Durch diese lokale Interaktion entsteht ein kollektives Verhalten, das die Agenten zu einer vorgegebenen Zielform führt.

Zur Optimierung wurde ein innovativer Shape‑Matching‑Loss entwickelt, der auf 3‑D‑Zernike‑Polynomen basiert. Dieser Loss vergleicht die kontinuierlichen räumlichen Verteilungen der vorhergesagten und der Zielformen, anstatt auf diskrete Punktwolken zurückzugreifen. Er ist robust gegenüber Agentenreihenfolge, Agentenzahl und Rigiditäts­transformationen. Für die vollständige SO(3)-Invarianz wird ein Alignment‑Schritt eingebaut, der die optimale Drehung des Zernike‑Spektrums berechnet, bevor der Verlust bestimmt wird.

Die Optimierung erfolgt in zwei Ebenen: Im inneren Loop wird ein Quaternion für die beste Ausrichtung optimiert, während im äußeren Loop das Agentenmodell selbst aktualisiert wird. Durch die Anwendung von impliziter Differenzierung können die Gradienten durch den Alignment‑Schritt hindurch berechnet werden. Erste Tests zeigen, dass DiffeoMorph Agentenpopulationen zuverlässig zu komplexen 3‑D‑Strukturen formen kann – ein vielversprechender Ansatz für die Entwicklung programmierbarer Materie, verteilte Robotik und das Verständnis biologischer Morphogenese.