很少有環境像海洋那樣無情。它不可預測的天氣模式和通信方面的限制使大片的海洋未被開發並被籠罩在神秘之中。麻省理工學院(MIT)ABS職業發展教授Wim van Rees表示：“海洋是一個迷人的環境，目前有許多挑戰，如微塑料、藻類繁殖、珊瑚白化和溫度上升。
與此同時，海洋擁有無數的機會–從水產養殖到能源採集以及探索我們尚未發現的許多海洋生物。”
像van Rees這樣的海洋工程師和機械工程師正在利用科學計算的進步來應對海洋的諸多挑戰並抓住其機遇。這些研究人員正在開發技術以更好地了解我們的海洋及生物體和人類製造的交通工具如何在其中移動。
生物啟發的水下裝置
當魚在水中飛奔時，發生了一場複雜的舞蹈。靈活的魚鰭在水流中拍打併在它們的後面留下一串漩渦。
“魚有複雜的內部肌肉組織以適應其身體和鰭的精確形狀。這使它們能以許多不同的方式推動自己，在機動性、敏捷性或適應性方面遠遠超過任何人造交通工具所能做到的，”van Rees說道。
另外，他還表示：“由於增材製造、優化技術和機器學習的進步，我們比以往任何時候都更接近於複製靈活和變形的魚鰭用於水下機器人技術。因此，我們更需要了解這些軟鰭如何影響推進力。”
Van Rees和他的團隊正在開發和使用數值模擬方法來探索自由度增加的水下設備的設計空間，如由於魚一樣的可變形的鰭。
這些模擬幫助該團隊更好地理解魚的柔軟、靈活的鰭在流體流中移動時的流體和結構力學之間的相互作用。因此，他們能更好地理解魚鰭形狀的變形會如何損害或改善游泳性能。“通過開發精確的數值技術和可擴展的并行實現，我們可以使用超級計算機來解決在這個流動和結構之間的界面上到底發生了什麼，”van Rees補充道。
通過將他的柔性水下結構的模擬算法跟優化和機器學習技術相結合，van Rees的目標是為新一代的自主水下設備開發一個自動化設計工具。這個工具可以幫助工程師和設計師開發，如機器人鰭和水下交通工具，它們可以智能地調整其形狀以更好地實現其直接的操作目標–無論是更快、更有效地游泳還是執行機動操作。
“我們可以利用這種優化和人工智能在整個參數空間內進行逆向設計並從頭開始創建智能的、可適應的設備，或使用精確的個體模擬來確定決定一種形狀為什麼比另一種表現更好的物理原理，”van Rees說道。
機器人車輛的蜂群算法
與van Rees一樣，這項研究的首席研究科學家Micheal Benjamin希望改善車輛在水中的操縱方式。2006年，當時還是MIT博士后的Benjamin為他開發的自主舵技術啟動了一個開源軟件項目。該軟件已被Sea Machines、BAE/Riptide、Thales UK和Rolls Royce等公司及美國海軍使用，它使用的是一種新穎的多目標優化方法。這種優化方法是Benjamin在其博士工作期間開發的，它使車輛能自主地選擇方向、速度、深度和它應該去的方向以實現多個同時存在的目標。
現在，Benjamin正在通過開發蜂群和避障算法使這項技術更進一步。這些算法將使幾十個無人駕駛的船能夠相互溝通並探索海洋的某一特定部分。
首先，Benjamin正在研究如何在海洋中最好地分散自主車輛。他和他的團隊已經開發了回答這個問題的算法。通過利用蜂群技術，每艘船定期將其位置跟附近的其他船進行交流。Benjamin的軟件使這些船以最佳的分佈方式分散到它們所處的海洋區域。
蜂群船隊的成功的核心是避免碰撞的能力。避免碰撞因被稱為COLREGS的國際海事規則而變得複雜。這些規則決定了哪些車輛在穿越路徑時擁有“路權”，這給Benjamin的蜂群算法帶來了獨特的挑戰。
COLREGS是從避免另一次單一接觸的角度編寫的，但Benjamin的蜂群算法必須考慮到多個試圖避免相互碰撞的未駕駛車輛。
為了解決這個問題，Benjamin和他的團隊創建了一個多對象優化算法，其將特定的機動動作排在從零到100的等級上。零分是指直接碰撞，而100分則意味着車輛完全避免碰撞。
“我們的軟件是唯一以多目標優化為決策核心數學基礎的海洋軟件，”Benjamin說道。
雖然像Benjamin和van Rees這樣的研究人員使用機器學習和多目標優化來解決車輛在海洋環境中移動的複雜性，但像MIT的Nam Pyo Suh教授Pierre Lermusiaux這樣的其他人則使用機器學習來更好地了解海洋環境本身。
改進海洋建模和預測
海洋也許是所謂的複雜動力系統的最好例子。流體動力學、變化的潮汐、天氣模式和氣候變化使海洋成為一個不可預測的環境，每一刻都是不同的。海洋環境的千變萬化會使預測工作變得異常困難。
研究人員一直在使用動態系統模型來對海洋環境進行預測，但正如Lermusiaux所解釋的那樣，這些模型有其局限性。
“在開發模型時，你不可能考慮到海洋中的每一個水分子。模型的分辨率和準確性以及海洋測量都是有限的。可能每100米、每公里就有一個模型數據點，或如果你看的是全球海洋的氣候模型，那麼你可能每10公里左右就有一個數據點，”Lermusiaux指出，“這可能對你的預測的準確性有很大影響。”
研究生Abhinav Gupta和Lermusiaux已經開發了一個新的機器學習框架以幫助彌補這些模型的分辨率或精確度的不足。他們的算法以一個分辨率低的簡單模型為基礎、可以填補空白並模擬出一個更準確的、具有高度分辨率的複雜模型。
Gupta和Lermusiaux的框架首次在現有的近似模型中學習並引入時間延遲從而提高其預測能力。
“自然界的事情不是瞬間發生的；然而，所有盛行的模型都假設事情是實時發生的，”Gupta說道，“為了使近似模型更加準確，你輸入方程的機器學習和數據需要代表過去狀態對未來預測的影響。”
而隨着諸如Gupta和Lermusiaux的神經閉合模型等計算技術的不斷改進和進步，研究人員可以開始揭開更多海洋的神秘面紗，進而為我們的海洋所面臨的許多挑戰制定解決方案。