Ein neuartiges Material kann seine Fähigkeit lernen und verbessern, mit unerwarteten Kräften umzugehen, dank einer einzigartigen Gitterstruktur mit Verbindungen variabler Steifigkeit, wie z in einer neuen Arbeit beschrieben von meinen Kollegen und mir.
Das neue Material ist eine Art architektonisches Material, das seine Eigenschaften hauptsächlich aus der Geometrie und den spezifischen Merkmalen seines Designs und nicht aus dem, woraus es besteht, bezieht. Nehmen Sie zum Beispiel Klettverschlüsse wie Klettverschlüsse. Dabei spielt es keine Rolle, ob es aus Baumwolle, Plastik oder einem anderen Stoff ist. Solange eine Seite ein Stoff mit steifen Haken und die andere Seite flauschige Schlaufen hat, hat das Material die klebrigen Eigenschaften von Klettverschluss.
Meine Kollegen und ich basierten die Architektur unseres neuen Materials auf der eines künstlichen neuronalen Netzwerks – Schichten miteinander verbundener Knoten, die dies können Aufgaben erledigen lernen indem sie ändern, wie viel Bedeutung oder Gewicht sie jeder Verbindung beimessen. Wir stellten die Hypothese auf, dass ein mechanisches Gitter mit physikalischen Knoten darauf trainiert werden könnte, bestimmte mechanische Eigenschaften anzunehmen, indem die Steifigkeit jeder Verbindung angepasst wird.
Um herauszufinden, ob ein mechanisches Gitter in der Lage wäre, neue Eigenschaften anzunehmen und beizubehalten – etwa eine neue Form anzunehmen oder die Richtungsstärke zu ändern – begannen wir mit der Erstellung eines Computermodells. Wir wählten dann eine gewünschte Form für das Material sowie Eingangskräfte aus und ließen einen Computeralgorithmus die Spannungen der Verbindungen so einstellen, dass die Eingangskräfte die gewünschte Form erzeugen würden. Wir haben dieses Training an 200 verschiedenen Gitterstrukturen durchgeführt und festgestellt, dass ein dreieckiges Gitter am besten geeignet ist, alle von uns getesteten Formen zu erreichen.
Sobald die vielen Verbindungen abgestimmt sind, um eine Reihe von Aufgaben zu erfüllen, reagiert das Material weiterhin in der gewünschten Weise. Das Training wird gewissermaßen in der Struktur des Materials selbst erinnert.
Dann bauten wir ein physisches Prototypgitter mit einstellbaren elektromechanischen Federn, die in einem dreieckigen Gitter angeordnet waren. Der Prototyp besteht aus 6-Zoll-Verbindungen und ist etwa 2 Fuß lang und 1½ Fuß breit. Und es hat funktioniert. Wenn das Gitter und der Algorithmus zusammenarbeiteten, war das Material in der Lage, zu lernen und seine Form auf bestimmte Weise zu ändern, wenn es verschiedenen Kräften ausgesetzt wurde. Wir nennen dieses neue Material ein mechanisches neuronales Netzwerk.
Warum es wichtig ist
Neben einigen lebende Gewebe, können nur sehr wenige Materialien lernen, besser mit unvorhergesehenen Belastungen umzugehen. Stellen Sie sich einen Flugzeugflügel vor, der plötzlich von einem Windstoß erfasst und in eine unerwartete Richtung gezwungen wird. Der Flügel kann sein Design nicht ändern, um in dieser Richtung stärker zu sein.
Das von uns entworfene Prototyp-Gittermaterial kann sich an veränderte oder unbekannte Bedingungen anpassen. Bei einem Flügel könnten diese Änderungen beispielsweise die Anhäufung interner Schäden, Änderungen in der Befestigung des Flügels an einem Fahrzeug oder schwankende externe Lasten sein. Jedes Mal, wenn ein aus einem mechanischen neuronalen Netzwerk bestehender Flügel eines dieser Szenarien erlebte, konnte er seine Verbindungen verstärken und weicher machen, um gewünschte Attribute wie Richtungsstärke beizubehalten. Im Laufe der Zeit nimmt der Flügel durch sukzessive Anpassungen durch den Algorithmus neue Eigenschaften an und behält sie bei, wobei jedes Verhalten als eine Art Muskelgedächtnis dem Rest hinzugefügt wird.
Diese Art von Material könnte weitreichende Anwendungen für die Langlebigkeit und Effizienz von Bauwerken haben. Ein Flügel aus einem Material eines mechanischen neuronalen Netzwerks könnte nicht nur stärker sein, er könnte auch darauf trainiert werden, sich in Formen zu verwandeln, die die Kraftstoffeffizienz als Reaktion auf sich ändernde Bedingungen um ihn herum maximieren.
Was noch nicht bekannt ist
Bisher hat unser Team nur mit 2D-Gittern gearbeitet. Aber mithilfe von Computermodellen sagen wir voraus, dass 3D-Gitter eine viel größere Lern- und Anpassungsfähigkeit haben würden. Dieser Anstieg ist darauf zurückzuführen, dass eine 3D-Struktur zehnmal mehr Verbindungen oder Federn haben könnte, die sich nicht überschneiden. Die Mechanismen, die wir in unserem ersten Modell verwendet haben, sind jedoch viel zu komplex, um sie in einer großen 3D-Struktur zu unterstützen.
Was kommt als nächstes
Das Material, das meine Kollegen und ich erstellt haben, ist ein Machbarkeitsnachweis und zeigt das Potenzial mechanischer neuronaler Netze. Um diese Idee jedoch in die reale Welt umzusetzen, müssen Sie herausfinden, wie die einzelnen Teile kleiner und mit präzisen Eigenschaften von Biegung und Spannung hergestellt werden können.
Wir hoffen auf neue Forschungsergebnisse in der Herstellung von Materialien im Mikrometermaßstab, sowie weiterarbeiten neue Materialien mit einstellbarer Steifigkeit, wird zu Fortschritten führen, die leistungsstarke intelligente mechanische neuronale Netze mit mikrometergroßen Elementen und dichten 3D-Verbindungen in naher Zukunft zu einer allgegenwärtigen Realität machen.
Dieser Artikel wird erneut veröffentlicht Das Gespräch unter einer Creative Commons-Lizenz. Lies das Original Artikel.
Bild-Kredit: Flexible Forschungsgruppe an der UCLA
