Hybrid-Ansatz kombiniert zentrales Lernen mit selbstorganisierend Morphogenese

In einer bahnbrechenden Studie wurde ein hybrides Modell entwickelt, das ein lernfähiges, neuronales „Brain‑Like“-Steuergerät mit einem zellartigen Gray–Scott-Reaktions‑Diffusionssubstrat verbindet. Durch die Einbettung einer kompakten, konvolutionalen Policy in einen differenzierbaren PyTorch‑Simulator können die Feed‑ und Kill‑Parameter des Substrats sanft und gezielt moduliert werden, wodurch Musterbildung mit minimalem Aufwand gesteuert wird.

Die Trainingsstrategie optimiert spektroskopische Turing‑Bandziele, während gleichzeitig die Steuerungsenergie (L1‑ und L2‑Normen) bestraft wird. Im Vergleich zu rein reaktions‑diffusionsbasierten Systemen, ausschließlich neuronalen Kontrollen und dem hybriden Ansatz erreicht letzterer eine 100 %ige Konvergenz in etwa 165 Schritten. Dabei wird die Spektralpräzision des reinen Zellmodells (0,436 vs. 0,434) exakt reproduziert, während die L1‑Energie um rund 15‑Fach und die L2‑Leistung um mehr als 200‑Fach reduziert wird.

Ein besonderes Highlight ist die Entdeckung einer Goldilocks‑Zone bei der Verstärkungsamplitude (A ≈ 0,03–0,045). In diesem Bereich konvergiert das System quasi‑perfekt in nur 94–96 Schritten, während schwächere oder stärkere Verstärkungen die Konvergenz verhindern oder die Musterqualität verschlechtern. Die Ergebnisse verdeutlichen, dass der Controller lediglich kurze, spärliche Impulse setzt, um das System in den richtigen Attraktorenbereich zu bringen, danach übernimmt die lokale Physik die Mustererhaltung.

Die Arbeit liefert einen praktischen Leitfaden für die Entwicklung von steuerbaren, robusten und energieeffizienten eingebetteten Systemen, die die optimale Aufgabenteilung zwischen zentralisiertem Lernen und dezentraler Selbstorganisation nutzen. Diese Erkenntnisse eröffnen neue Wege für die Gestaltung von morphogenetischen Robotern und biologisch inspirierten Materialien.