Annika Mix, 10.04.2025

Mikroroboter gelten als vielversprechende Werkzeuge für zukünftige Anwendungen in Medizin und Technik. Denkbar wären beispielsweise Systeme, die Medikamente gezielt durch den Körper transportieren oder schwer zugängliche mikroskopische Umgebungen erkunden. Doch je kleiner ein Roboter wird, desto schwieriger wird es, ihn mit Sensoren, Energieversorgung und Rechenleistung auszustatten. Forschende der Universität Leipzig haben nun gezeigt, dass ein Teil dieses Problems möglicherweise ganz anders gelöst werden kann.

In ihrer Studie kombinierten sie winzige schwimmende Mikropartikel mit einem lernfähigen Computeralgorithmus. Das Besondere: Der Algorithmus erhielt keine Informationen über die Strömungen in der Umgebung. Stattdessen lernte er, aus den Bewegungen der Partikel Rückschlüsse auf die unsichtbaren Strömungsverhältnisse zu ziehen und diese Information für die Navigation zu nutzen. Die Studie liefert damit einen experimentellen Nachweis für das Prinzip der verkörperten Intelligenz. 

Was bedeutet eigentlich „verkörperte Intelligenz“?

Verkörperte Intelligenz beschreibt die Idee, dass ein Organismus oder ein technisches System nicht jede Information über seine Umgebung direkt selbst messen muss. Stattdessen können bereits die Auswirkungen der Umwelt auf den eigenen Körper wichtige Hinweise liefern. Stellen wir uns vor, wir gehen bei starkem Wind und in winddichter Kleidung am Nordseestrand spazieren. Durch die Kleidung spüren wir den Wind nicht auf der Haut und doch spüren wir deutlich wie er unsere Bewegung beeinflusst. Wir messen also nicht direkt den Wind, sondern seine Auswirkung auf unsere Bewegung. Die Information steckt quasi in der Wechselwirkung zwischen Körper und Umwelt.

Ähnliche Prinzipien finden sich z. B. bei Mikroorganismen. Sie verfügen nur über sehr einfache sensorische Werkzeuge und können sich dennoch erstaunlich präzise fortbewegen. Allein, wie effizient und zielgerichtet sie vorankommen, verrät ihnen etwas über ihre Umgebung, sodass sie ihre Bewegung entsprechend anpassen.

Die Forschenden aus Leipzig wollten nun wissen, ob sich dieses Prinzip auch technisch nutzen lässt. Könnte ein Mikroroboter beispielsweise erkennen, dass er von einer Strömung erfasst wird, ohne Sensoren zu haben, die die Strömung direkt messen? Reicht es aus, die Veränderungen der eigenen Bewegung auszuwerten?

Winzige Roboter im Strömungslabor

Für ihre Experimente verwendeten die Forschenden künstliche Mikroschwimmer mit einem Durchmesser von nur etwa zwei Mikrometern (ein menschliches Haar ist ungefähr 50-mal dicker). Dabei handelte es sich um Kunststoffkügelchen, die mit Goldnanopartikeln beschichtet waren. Die Mikroschwimmer schwammen in einer dünnen Flüssigkeitsschicht unter einem Mikroskop und wurden kontinuierlich von einer Kamera beobachtet. Die Positionsdaten wurden in Echtzeit an einen Computer übertragen, auf dem der Lernalgorithmus lief. Dieser entschied fortlaufend, in welche Richtung sich der Mikroschwimmer bewegen sollte. Hierzu steuerte er einen Laser, der gezielt auf eine bestimmte Stelle des Partikels gerichtet wurde. Die Goldpartikel wurden an dieser Stelle erwärmt, sodass innerhalb des Mikroschwimmers ein Temperaturunterschied entstand, der ihn in Bewegung setzte. Je nachdem, welche Stelle der Computer mit dem Laser anvisierte, bewegte sich der Mikroschwimmer so nach oben, unten, links oder rechts.

Gleichzeitig erzeugten die Forschenden künstliche Strömungen in der Flüssigkeit. Diese waren teilweise deutlich stärker als der eigene Antrieb der Mikroschwimmer und konnten die Partikel leicht von ihrem Kurs abbringen. Das Ziel bestand dennoch darin, einen vorgegebenen Zielpunkt genau zu erreichen. Der Lernalgorithmus, der den Laser steuerte, erhielt jedoch keinerlei Informationen über die Strömung – weder darüber, ob überhaupt eine Strömung vorhanden war, noch aus welcher Richtung sie kam oder wie stark sie war. Seine einzige Informationsquelle war die Bewegung des Mikroschwimmers selbst. Nach jeder Aktion konnte er lediglich beobachten, wie sich dessen Position verändert hatte und ob er seinem Ziel näher gekommen war oder nicht. Würde das ausreichen, um die verborgenen Strömungsverhältnisse zu erkennen?

Lernen durch Versuch und Irrtum

Um dieses Problem zu lösen, nutzten die Forschenden ein Verfahren aus dem Bereich des maschinellen Lernens: das sogenannte Reinforcement Learning (Verstärkungslernen). Das Grundprinzip ist einfach. Der Algorithmus probiert verschiedene Bewegungen aus und erhält anschließend eine Rückmeldung darüber, ob der Mikroschwimmer seinem Ziel näher gekommen ist oder sich davon entfernt hat. Aus vielen solcher Erfahrungen entwickelt das System nach und nach eine immer bessere Strategie.
In einer Umgebung ohne Strömung war die Aufgabe vergleichsweise einfach. Der Algorithmus lernte bereits nach kurzer Zeit, den Mikroschwimmer möglichst direkt auf das Ziel zuzusteuern. Spannend wurde es, als Strömungen ins Spiel kamen. Anfangs wurden die Mikroschwimmer von den Strömungen regelrecht mitgerissen. Viele Bewegungen führten nicht zum Ziel, sondern wurden von der Strömung abgelenkt. Teilweise bewegten sich die Partikel auf kreisförmigen Bahnen oder wurden weit vom Zielpunkt weggetragen. Mit zunehmendem Training änderte sich dieses Verhalten jedoch deutlich. Der Lernalgorithmus entwickelte nach und nach Bewegungsstrategien, die den Einfluss der Strömung ausglichen. Die Mikroschwimmer steuerten nicht mehr einfach direkt auf das Ziel zu, sondern wurden gezielt so bewegt, dass sie den Strömungen entgegenwirkten. Selbst wenn die Strömung bis zu viermal stärker war als der eigene Antrieb der Mikroschwimmer, gelang es dem System, den Zielpunkt zuverlässig zu erreichen. Darüber hinaus funktionierte der Ansatz nicht nur bei konstanten Strömungen, sondern auch in dynamischen Umgebungen, in denen sich die Strömungsverhältnisse fortlaufend änderten.

Auf den ersten Blick mag das Ganze wie eine technische Spielerei wirken. Tatsächlich berührt die Studie jedoch eine grundlegende Frage: Woher stammt Information? Traditionell versucht man, technische Systeme mit immer mehr Sensoren auszustatten. Die Arbeit aus Leipzig zeigt einen anderen Weg. Unter bestimmten Bedingungen kann die Physik eines Systems selbst einen Teil der Informationsverarbeitung übernehmen. Körper und Umwelt werden damit Teil der Informationsgewinnung.

Wie geht es weiter?

Noch handelt es sich um Grundlagenforschung, die in einer stark vereinfachten Laborumgebung stattfand. Von praktischen Anwendungen sind wir daher noch weit entfernt. Dennoch zeigt die Studie, dass sich Informationen über die Umgebung unter bestimmten Bedingungen allein aus der Bewegung eines Systems gewinnen lassen. Damit liefert sie einen experimentellen Nachweis für ein Konzept, das bisher vor allem theoretisch diskutiert wurde. Ob sich dieses Prinzip künftig tatsächlich in komplexeren Systemen nutzen lässt, muss weitere Forschung zeigen.

Quelle:

Paul, D., Milosevic, N., Scherf, N., & Cichos, F. (2026). Physical embodiment enables information processing beyond explicit flow sensing in active matter. Science advances, 12(11), eaec0783. https://doi.org/10.1126/sciadv.aec0783