Jest noc. Nietoperz wylatuje z kryjówki i rozpoczyna polowanie, choć nie postrzega świata w sposób, do którego przywykł człowiek. Zamiast polegać na wzroku, wysyła krótkie impulsy dźwiękowe i nasłuchuje ich powrotu. Echo dostarcza mu informacji o otoczeniu, pozwala rozpoznać przeszkody, odnaleźć wolną przestrzeń i wykryć ukrywającego się owada.
Jego mózg analizuje napływające informacje niemal natychmiast i podejmuje tysiące mikrodecyzji, szybko korygując kierunek lotu oraz dostosowując sposób poruszania się do zmieniających się warunków. To niezwykle skuteczny system przetwarzania informacji, rozwijany przez miliony lat ewolucji.
Właśnie ta zdolność zwróciła uwagę matematyków i informatyków, którzy zaczęli zastanawiać się, czy podobny mechanizm można wykorzystać podczas projektowania algorytmów komputerowych.
Tak powstała grupa metod obliczeniowych inspirowanych zachowaniem nietoperzy. Ich zadaniem nie jest poruszanie się w przestrzeni, lecz odnajdywanie najlepszych rozwiązań wśród ogromnej liczby możliwości. Zamiast analizować każdą opcję po kolei, algorytm przeszukuje przestrzeń rozwiązań i stale aktualizuje kierunek poszukiwań, podobnie jak nietoperz zmienia tor lotu na podstawie odbieranych sygnałów.
Jednak nawet skuteczne rozwiązania można rozwijać i udoskonalać.
W opublikowanej w 2026 roku na łamach czasopisma *International Journal of Data Science and Analytics* pracy „Complex-order Bat-inspired algorithm applied to neural network optimization for medical datasets” postawiono pytanie, czy cyfrowy odpowiednik nietoperza może działać jeszcze skuteczniej.
Zwrócono uwagę na ograniczenie klasycznych algorytmów inspirowanych echolokacją. Czasami zbyt szybko uznają one znalezione rozwiązanie za wystarczająco dobre i ograniczają dalsze poszukiwania. W praktyce oznacza to, że mogą zakończyć proces przed odnalezieniem najlepszego możliwego wyniku.
Prawdziwy nietoperz działa inaczej. Nieustannie reaguje na nowe informacje i wykorzystuje wcześniejsze doświadczenia podczas kolejnych decyzji.
Dlatego do matematycznego modelu wprowadzono narzędzia wykorzystujące tak zwany rząd zespolony. To podejście pozwala uwzględnić nie tylko aktualny stan systemu, ale również wpływ wcześniejszych etapów poszukiwania rozwiązania.
Dzięki temu algorytm nie ograniczał się do analizy kolejnych możliwości, lecz skuteczniej wykorzystywał informacje zgromadzone wcześniej i lepiej dostosowywał dalszy przebieg działania.
Tak ulepszony model wykorzystano do usprawnienia działania sieci neuronowych, czyli systemów komputerowych, które uczą się rozpoznawać wzorce na podstawie dużej liczby przykładów. W medycynie takie rozwiązania mogą analizować ogromne zbiory danych, na przykład wyniki badań, obrazy diagnostyczne lub zestawienia parametrów pacjentów, i szukać zależności, których człowiek nie dostrzegłby od razu.
Takie systemy mogą wspierać lekarzy poprzez szybsze porządkowanie informacji i wskazywanie powtarzających się schematów. Im skuteczniej działa algorytm uczący sieć neuronową, tym większa szansa, że system będzie dokładniej rozpoznawał istotne zależności i lepiej wspomagał podejmowanie decyzji diagnostycznych lub analizę danych medycznych.
Ta historia pokazuje, że rozwój nowoczesnych technologii nie zawsze zaczyna się od budowy coraz szybszych komputerów. Czasem inspiracja przychodzi z natury i z mechanizmów, które istnieją od milionów lat, a mimo to nadal potrafią podpowiadać naukowcom nowe rozwiązania.
Fot. Gacek brunatny. Autor Maurycy Ignaczak
O autorze fotografii:
Maurycy Ignaczak jest polskim chiropterologiem i fotografem przyrody. Od ponad 30 lat zajmuje się badaniem i ochroną nietoperzy, prowadząc m.in. badania nad rojeniem i hibernacją tych ssaków w Jaskini Szachownica – jednym z najważniejszych zimowisk nietoperzy w Polsce. Jest autorem kilkudziesięciu publikacji naukowych z zakresu chiropterologii oraz twórcą cenionej wystawy fotograficznej „Prawdziwa natura nietoperzy”.
Od wielu lat doskonali techniki fotografowania nietoperzy w locie, wykonując zdjęcia wyłącznie w naturalnym środowisku i na podstawie wymaganych zezwoleń. Jego fotografie są wykorzystywane w edukacji przyrodniczej, wystawach oraz publikacjach popularyzujących wiedzę o nietoperzach.
Źródło: Esfandiari A., Abedi Pahnehkolaei S.M., Nasiri N., „Complex-order Bat-inspired algorithm applied to neural network optimization for medical datasets”, *International Journal of Data Science and Analytics* (2026), DOI: 10.1007/s41060-025-00972-z
