Ένας νέος τύπος υλικού μπορεί να μάθει και να βελτιώσει την ικανότητά του να αντιμετωπίζει απροσδόκητες δυνάμεις χάρη σε μια μοναδική δομή πλέγματος με συνδέσεις μεταβλητής ακαμψίας, όπως περιγράφεται σε νέο έγγραφο από εμένα και τους συναδέλφους μου.
Το νέο υλικό είναι ένα είδος αρχιτεκτονικού υλικού, το οποίο παίρνει τις ιδιότητές του κυρίως από τη γεωμετρία και τα συγκεκριμένα χαρακτηριστικά του σχεδιασμού του και όχι από αυτό από το οποίο είναι φτιαγμένο. Πάρτε για παράδειγμα υφασμάτινα κλεισίματα με γάντζο και θηλιά όπως το Velcro. Δεν έχει σημασία αν είναι κατασκευασμένο από βαμβάκι, πλαστικό ή οποιαδήποτε άλλη ουσία. Εφόσον η μία πλευρά είναι ύφασμα με σκληρούς γάντζους και η άλλη πλευρά έχει χνουδωτές θηλιές, το υλικό θα έχει τις κολλώδεις ιδιότητες του Velcro.
Οι συνάδελφοί μου και εγώ βασίσαμε την αρχιτεκτονική του νέου υλικού μας σε αυτήν ενός τεχνητού νευρωνικού δικτύου—στρώματα διασυνδεδεμένων κόμβων που μπορούν μάθετε να κάνετε εργασίες αλλάζοντας πόση σημασία ή βάρος δίνουν σε κάθε σύνδεση. Υποθέσαμε ότι ένα μηχανικό πλέγμα με φυσικούς κόμβους θα μπορούσε να εκπαιδευτεί ώστε να αποκτά ορισμένες μηχανικές ιδιότητες προσαρμόζοντας την ακαμψία κάθε σύνδεσης.
Για να μάθουμε εάν ένα μηχανικό πλέγμα θα ήταν σε θέση να υιοθετήσει και να διατηρήσει νέες ιδιότητες - όπως να πάρει νέο σχήμα ή να αλλάξει κατευθυντική δύναμη - ξεκινήσαμε δημιουργώντας ένα μοντέλο υπολογιστή. Στη συνέχεια επιλέξαμε ένα επιθυμητό σχήμα για το υλικό καθώς και τις δυνάμεις εισόδου και είχαμε έναν αλγόριθμο υπολογιστή να συντονίσει τις τάσεις των συνδέσεων έτσι ώστε οι δυνάμεις εισόδου να παράγουν το επιθυμητό σχήμα. Κάναμε αυτήν την εκπαίδευση σε 200 διαφορετικές δομές πλέγματος και διαπιστώσαμε ότι ένα τριγωνικό πλέγμα ήταν το καλύτερο για την επίτευξη όλων των σχημάτων που δοκιμάσαμε.
Μόλις συντονιστούν οι πολλές συνδέσεις για την επίτευξη ενός συνόλου εργασιών, το υλικό θα συνεχίσει να αντιδρά με τον επιθυμητό τρόπο. Η εκπαίδευση - κατά μια έννοια - θυμάται στη δομή του ίδιου του υλικού.
Στη συνέχεια κατασκευάσαμε ένα φυσικό πρωτότυπο πλέγμα με ρυθμιζόμενα ηλεκτρομηχανικά ελατήρια διατεταγμένα σε τριγωνικό πλέγμα. Το πρωτότυπο είναι κατασκευασμένο από συνδέσεις 6 ιντσών και έχει μήκος περίπου 2 πόδια και πλάτος 1 ½ πόδια. Και λειτούργησε. Όταν το πλέγμα και ο αλγόριθμος δούλευαν μαζί, το υλικό ήταν σε θέση να μάθει και να αλλάξει σχήμα με συγκεκριμένους τρόπους όταν υπόκειται σε διαφορετικές δυνάμεις. Αυτό το νέο υλικό ονομάζουμε μηχανικό νευρωνικό δίκτυο.
Γιατί έχει σημασία
Εκτός από μερικά ζωντανούς ιστούς, πολύ λίγα υλικά μπορούν να μάθουν να είναι καλύτερα στην αντιμετώπιση απρόβλεπτων φορτίων. Φανταστείτε ένα φτερό αεροπλάνου που ξαφνικά πιάνει μια ριπή ανέμου και αναγκάζεται σε μια απρόβλεπτη κατεύθυνση. Το φτερό δεν μπορεί να αλλάξει τη σχεδίασή του για να είναι πιο δυνατό προς αυτή την κατεύθυνση.
Το πρωτότυπο υλικό πλέγματος που σχεδιάσαμε μπορεί να προσαρμοστεί σε μεταβαλλόμενες ή άγνωστες συνθήκες. Σε ένα φτερό, για παράδειγμα, αυτές οι αλλαγές θα μπορούσαν να είναι η συσσώρευση εσωτερικής ζημιάς, αλλαγές στον τρόπο προσάρτησης του πτερυγίου σε ένα σκάφος ή κυμαινόμενα εξωτερικά φορτία. Κάθε φορά που ένα φτερό από ένα μηχανικό νευρωνικό δίκτυο αντιμετώπιζε ένα από αυτά τα σενάρια, θα μπορούσε να ενισχύσει και να αμβλύνει τις συνδέσεις του για να διατηρήσει τα επιθυμητά χαρακτηριστικά όπως η κατευθυντική ισχύς. Με την πάροδο του χρόνου, μέσω διαδοχικών προσαρμογών που γίνονται από τον αλγόριθμο, το φτερό υιοθετεί και διατηρεί νέες ιδιότητες, προσθέτοντας κάθε συμπεριφορά στα υπόλοιπα ως ένα είδος μυϊκής μνήμης.
Αυτός ο τύπος υλικού θα μπορούσε να έχει εκτεταμένες εφαρμογές για τη μακροζωία και την αποτελεσματικότητα των δομικών κατασκευών. Μια πτέρυγα κατασκευασμένη από υλικό μηχανικού νευρωνικού δικτύου όχι μόνο θα μπορούσε να είναι πιο ισχυρή, αλλά θα μπορούσε επίσης να εκπαιδευτεί ώστε να μεταμορφώνεται σε σχήματα που μεγιστοποιούν την απόδοση καυσίμου ως απάντηση στις μεταβαλλόμενες συνθήκες γύρω από αυτό.
Τι δεν είναι ακόμα γνωστό
Μέχρι στιγμής, η ομάδα μας έχει δουλέψει μόνο με 2D πλέγματα. Αλλά χρησιμοποιώντας μοντελοποίηση υπολογιστή, προβλέπουμε ότι τα τρισδιάστατα πλέγματα θα έχουν πολύ μεγαλύτερη ικανότητα μάθησης και προσαρμογής. Αυτή η αύξηση οφείλεται στο γεγονός ότι μια τρισδιάστατη δομή θα μπορούσε να έχει δεκάδες φορές περισσότερες συνδέσεις, ή ελατήρια, που δεν τέμνονται μεταξύ τους. Ωστόσο, οι μηχανισμοί που χρησιμοποιήσαμε στο πρώτο μας μοντέλο είναι πολύ περίπλοκοι για να υποστηριχθούν σε μια μεγάλη τρισδιάστατη δομή.
Τι ακολουθεί
Το υλικό που δημιουργήσαμε οι συνάδελφοί μου και εγώ είναι μια απόδειξη της ιδέας και δείχνει τις δυνατότητες των μηχανικών νευρωνικών δικτύων. Αλλά για να μεταφερθεί αυτή η ιδέα στον πραγματικό κόσμο θα χρειαστεί να καταλάβουμε πώς να κάνετε τα μεμονωμένα κομμάτια μικρότερα και με ακριβείς ιδιότητες κάμψης και τάσης.
Ελπίζουμε νέα έρευνα στο κατασκευή υλικών σε κλίμακα micron, καθώς και να εργαστείτε σε νέα υλικά με ρυθμιζόμενη ακαμψία, θα οδηγήσει σε προόδους που καθιστούν τα ισχυρά έξυπνα μηχανικά νευρωνικά δίκτυα με στοιχεία κλίμακας micron και πυκνές 3D συνδέσεις μια πανταχού παρούσα πραγματικότητα στο εγγύς μέλλον.
Αυτό το άρθρο αναδημοσιεύθηκε από το Η Συνομιλία υπό την άδεια Creative Commons. Διαβάστε το αρχικό άρθρο.
Image Credit: Ευέλικτη Ερευνητική Ομάδα στο UCLA
