当气味扩散到空气中时，它不会形成一个可感知的边界，这个边界不会随着追踪者靠近气味源而增强。在非湍流介质中，气味基本上可以通过稳定的浓度梯度追踪到——这个过程称为化学趋性——但在流动的空气中，气味反而会消散成小的、偶尔出现的羽流，就像雌蛾释放的信息素一样。当雄蛾捕捉到雌蛾破碎的气味时，它似乎会疯狂地疾驰，以锁定潜在的配偶。
现在，法国巴斯德研究所和马赛大学以及加州大学圣巴巴拉分校的科学家们开发出一种算法，该算法有效地模仿了飞蛾的曲折和转向行为，通过引导实体在最大化信息增益的路径上追踪气味。作者在本周的《自然》杂志上报告了他们的研究成果，称他们的新方案为“信息素趋性”。他们声称，该方法最实际的应用将是作为一类名为“嗅探器”的机器人的软件，用于追踪化学品、炸弹或毒品散发出的稀释气味。
加州大学圣巴巴拉分校的物理学家、共同作者鲍里斯·施莱曼解释说，使用信息素趋性，“你会一心一意地前往你认为会获得更多信息的地方。” “如果你迈出一步并找到了源头，哇，你真的把它定位了！这是一个信息量非常大的一步。”
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。通过购买订阅，您正在帮助确保有关当今塑造我们世界的发现和想法的具有影响力的故事的未来。
信息素趋性优雅地平衡了两种基本行为：探索，即寻求者（例如机器人）试图在朝任何一个方向做出明确移动之前积累信息；以及利用，这是一种风险较高的方法，嗅探器会朝着估计找到源头的概率最高的方向猛扑过去。
在搜索的早期，机器人可能对气味来自何处知之甚少——它可能行进的每个方向都有相对均等的可能性通向源头。在这一点上，寻求者——使用并不断更新这个概率图——将采用探索性行为。它可能会以圆形运动，呈螺旋形向外扩展到越来越大的半径，直到它积累了更多信息——或者遇到一些气味羽流。
施莱曼说：“一旦这些信息积累起来，你就会对源头可能在哪里有一个更好的印象，也就是说，你估计的源头位置概率分布在某个点上会更加集中。” “然后你开始更多地将你的运动偏向那个点。”
洛林信息学与应用研究实验室的研究员多米尼克·马丁内斯在《自然》杂志上评论这项研究时指出，当在湍流空气中遇到气味羽流时，信息增益率可能与化学趋性的浓度梯度相似。“信息素趋性模型的突出特点是，投射和曲折步骤不是通过施加明确的运动规则（例如‘逆风前进’或‘顺风转弯’）来预先编程的，”她说。“相反，它们都自然地从局部最大化信息增益中涌现出来。”