Грибы существуют уже много миллионов лет, и в процессе эволюции они оттачивали и совершенствовали свои навыки выживания на протяжении тысячелетий. Исследователи из Бингемтонского университета изучают клеточную структуру грибов, чтобы понять, как она определяет их механические свойства и что наука может почерпнуть из этого для создания более совершенных материалов.
В статье, опубликованной в журнале Advanced Engineering Materials, ученые рассмотрели микроскопические нити, известные как гифы, которые образуют сетевидную структуру в грибах и других организмах. Обвиваясь друг вокруг друга и разветвляясь внутри более крупной структуры, нити гиф контролируют реакцию грибов на различные механические нагрузки.
Два вида грибов, которые были изучены, сильно различались: обычный белый шампиньон (Agaricus bisporus) имеет только один тип гиф и обычно растёт без определённой ориентации, в то время как гриб майтаке (Grifola frondosa) имеет два типа гиф и растёт преимущественно в направлении к солнечному свету и влаге.
Исследователи проанализировали структуру клеток грибов с помощью сканирующей электронной микроскопии и протестировали ее, чтобы определить, с какими нагрузками грибы могут справиться. «На первом этапе мы разрабатываем модель конечных элементов — вычислительную среду, которая позволяет проводить испытания и анализ механических свойств на втором этапе», — сказал Мохамед Халил Эльхачими, автор исследования.
«Третий этап — прямое проектирование, то есть у нас есть модель, которая прогнозирует механическое поведение на основе структуры. И последний этап — обратное проектирование, когда мы определяем механические свойства, а модель машинного обучения прогнозирует структуру, которая обладает этими свойствами».
Доцент Мир Джалил Разави добавил, что достижения в области искусственного интеллекта за последние несколько лет значительно упростили составление карт распространения грибковых нитей. «Подобный обратный дизайн возможен только с помощью моделей глубокого обучения — например, для вычисления 10 000 нитей, их расположения и ориентации, — сказал Разави. — Это то, что может сделать ИИ, если мы запустим симуляцию для обучения модели».
Следующим шагом в рамках проекта станет совершенствование модели машинного обучения с помощью экспериментов. Команда будет использовать 3D-печать для создания материалов с прогнозируемыми структурами и проведёт ряд тестов, чтобы убедиться, что они ведут себя так, как ожидалось. В будущем полученные результаты могут улучшить различные коммерческие продукты, подвергающиеся нагрузкам, например материалы для строительства или аэрокосмической отрасли.
«Мы многому можем научиться у природы, — сказал Разави. — Мы только начинаем проводить такого рода исследования».
[Фото: "Mushroom" by karen_neoh is licensed under CC BY-SA 2.0.]
