在运行的第一年，智能拖曳坦克(ITT)进行了大约100,000个实验，基本上在几周内完成了相当于一名博士生五年实验的费用。
由麻省理工学院海格兰特流体力学实验室开发的自动化实验设备，可以自动，自适应地执行，分析和设计探索涡旋振动(VIV)的实验。对于涉及海洋工程的海洋结构，例如将水下油井连接到地表的海洋钻探立管，重要的是，由于涉及大量参数，VIV仍然是研究人员的一种现象。
在积极学习的指导下，ITT进行了一系列实验，其中每个下一个实验的参数都由计算机选择。该系统使用“探索和利用”方法，大大减少了探索和绘制控制VIV的复杂力所需的实验数量。
什么开始作为当时的博士生睇下凡的追求上进行千元左右费力的实验削减-手-导致了创新的系统设计和论文近日发表在杂志科学机器人。
范(Fan)现在是博士后，由麻省理工学院海格兰特学院计划和麻省理工学院机械工程系，法国高等师范大学雷恩分校以及布朗大学的研究人员组成的团队揭示了实验研究的潜在范式转变，其中人，计算机和机器人可以更有效地协作以加速科学发现。
一只33英尺长的鲸鱼还活着，可以在不间断的情况下进行操作，也无需对即将到来的企业进行监督-在这种情况下，它探索了流体与结构相互作用领域的典型问题。但是研究人员设想主动学习和自动化方法在跨学科的实验研究中的应用，有可能在多输入/多输出非线性系统中带来新的见识和模型。
VIV是在即将到来的不规则横流中在结构上引起的固有非线性运动，这使研究变得烦恼。研究人员报告说，ITT完成的实验数量已经可以与迄今为止在全球范围内针对VIV进行的实验总数进行比较。
原因是研究运动中的复杂力涉及大量从流速到压力的独立参数。范认为，一种系统的蛮力方法(在8维参数空间中盲目地对每个参数进行10次测量)将需要进行1亿次实验。
通过ITT，范和他的合作者将这个问题带入了一个比以前更难以探索的参数空间。他解释说：“如果我们对研究的问题执行传统技术，则将需要950年的时间才能完成实验。”显然不可行，因此Fan和团队将高斯过程回归学习算法集成到了ITT中。通过这样做，研究人员将实验负担减少了几个数量级，仅需要几千次实验。
机器人系统自动执行初始实验序列，以恒定的速度定期沿着水箱的长度拖曳淹没的结构。然后，ITT通过最小化量化不确定性的合适采集函数并适应实现一系列目标(例如减少阻力)来对每个下一个实验的参数进行部分控制。
今年早些时候，范在ITT的开发过程中因“杰出的创造力和创造力判断”而被授予麻省理工学院机械工程奖。“ Dixia的智能拖船设计是使用新颖方法重振成熟领域的杰出典范，”担任范博士的海洋学顾问的Michael Triantafyllou，Henry L.和Grace Doherty教授说道。
Triantafyllou是该论文的合著者，也是MIT Sea Grant College Program的负责人。他说：“MIT Sea Grant多年来致力于利用海洋深层问题的深度学习方法，为资源和项目提供资金，并且已经取得了丰硕的成果。麻省理工学院海洋基金会由美国国家海洋与大气管理局资助，并由国家海洋补助金计划管理。麻省理工学院海洋补助金是联邦与研究所的合作伙伴关系，使麻省理工学院的研究和工程核心能够应对与海洋有关的挑战。
范的研究指出了其他在科学中利用自动化和人工智能的方法。在加州理工学院，一位名叫“亚当”的机器人科学家生成并检验了假设。在国防高级研究计划局的“大机制”计划中，读取了成千上万的研究论文，以生成新的模型。
同样，ITT运用人机机器人协作来加速实验工作。该系统展示了进行研究的潜在范式转变，其中自动化和不确定性量化可以极大地加速科学发现。研究人员断言，本文描述的机器学习方法可以在流体力学中以及在流体力学之外进行调整，并应用于其他实验领域。
论文的其他撰稿人包括布朗大学的乔治·卡尼亚达基斯(George Karniadakis)，他也是麻省理工学院海洋基金会的会员。来自ENS雷恩(Rennes)的Gurvan Jodin;麻省理工学院机械工程博士研究生 麻省理工学院海洋基金会的托马斯·康西(Thomas Consi)，卢卡·邦菲格里奥(Luca Bonfiglio)和莉莉·凯斯(Lily Keyes)。
这项工作得到了DARPA，Fariba Fahroo和Jan Vandenbrande的支持，通过EQUiPS(实现物理系统不确定性的量化)赠款，以及Shell，Subsea 7和MIT Sea Grant College Program。