W kwietniu 2026 roku badacze zaprezentowali nowy, hybrydowy model uczenia maszynowego MPA-PNN, który łączy probabilistyczne sieci neuronowe z algorytmem morskich drapieżników — metodą obliczeniową zainspirowaną strategiami poszukiwania żeru w oceanie.
Algorytm Marine Predators Algorithm imituje zachowanie drapieżników morskich, które podczas poszukiwania pokarmu stosują różne tryby poruszania się, w tym przeszukiwanie dalekosiężne oraz optymalizację lokalną.
Tego rodzaju strategie zaczerpnięte z natury okazują się niezwykle skuteczne w zadaniach związanych z analizą złożonych danych.
Podczas testów na referencyjnych zbiorach danych klasyfikacyjnych nowa architektura osiągnęła średnią dokładność na poziomie 91,047%, wyprzedzając kilka nowoczesnych algorytmów optymalizacji parametrów sieci neuronowych.
Ponadto model wykazał szybszą i stabilniejszą zbieżność w porównaniu ze standardową siecią Probabilistic Neural Network.
Choć badania przeprowadzono na uniwersalnych zbiorach danych typu benchmark, autorzy podkreślają potencjał tej metody w interpretacji złożonych systemów przyrodniczych, w tym obserwacji oceanicznych i wzorców ekologicznych.
Algorytmy tego typu stają się częścią nowej fali obliczeń inspirowanych naturą — nurtu, w którym zachowania zwierząt są przekładane na język uczenia maszynowego.
Co to wydarzenie wniosło do brzmienia planety?
To kolejny przykład na to, że ocean pozostaje źródłem nie tylko życia —
lecz także sposobów myślenia, które pomagają ludzkości zrozumieć złożoność świata poprzez rytmy samej natury.
