Un nouveau type de matériau peut apprendre et améliorer sa capacité à faire face à des forces inattendues grâce à une structure en treillis unique avec des connexions de rigidité variable, comme décrit dans un nouvel article par mes collègues et moi.
Le nouveau matériau est un type de matériau architecturé qui tire ses propriétés principalement de la géométrie et des caractéristiques spécifiques de sa conception plutôt que de la matière dont il est fait. Prenez par exemple les fermetures en tissu à crochets et boucles comme le Velcro. Peu importe qu’il soit fabriqué à partir de coton, de plastique ou de toute autre substance. Tant qu'un côté est un tissu avec des crochets rigides et que l'autre côté a des boucles moelleuses, le matériau aura les propriétés collantes du Velcro.
Mes collègues et moi avons basé l'architecture de notre nouveau matériau sur celle d'un réseau neuronal artificiel : des couches de nœuds interconnectés qui peuvent apprendre à faire des tâches en modifiant l'importance ou le poids qu'ils accordent à chaque connexion. Nous avons émis l’hypothèse qu’un réseau mécanique avec des nœuds physiques pourrait être entraîné pour acquérir certaines propriétés mécaniques en ajustant la rigidité de chaque connexion.
Pour savoir si un réseau mécanique serait capable d'adopter et de conserver de nouvelles propriétés, comme prendre une nouvelle forme ou changer de résistance directionnelle, nous avons commencé par construire un modèle informatique. Nous avons ensuite sélectionné la forme souhaitée pour le matériau ainsi que les forces d'entrée et avons demandé à un algorithme informatique d'ajuster les tensions des connexions afin que les forces d'entrée produisent la forme souhaitée. Nous avons effectué cette formation sur 200 structures de treillis différentes et avons constaté qu'un treillis triangulaire était le meilleur pour réaliser toutes les formes que nous avons testées.
Une fois que les nombreuses connexions sont réglées pour accomplir un ensemble de tâches, le matériau continuera à réagir de la manière souhaitée. La formation est, en un sens, mémorisée dans la structure même du matériel.
Nous avons ensuite construit un prototype physique de réseau avec des ressorts électromécaniques réglables disposés en réseau triangulaire. Le prototype est composé de connexions de 6 pouces et mesure environ 2 pieds de long sur 1½ pied de large. Et ça a marché. Lorsque le réseau et l’algorithme travaillaient ensemble, le matériau était capable d’apprendre et de changer de forme de manière particulière lorsqu’il était soumis à différentes forces. Nous appelons ce nouveau matériau un réseau de neurones mécaniques.
Pourquoi ça compte
Outre certains tissus vivants, très peu de matériaux peuvent apprendre à mieux gérer les charges imprévues. Imaginez une aile d'avion qui capte soudainement une rafale de vent et est forcée dans une direction imprévue. L’aile ne peut pas changer sa conception pour être plus solide dans cette direction.
Le matériau de treillis prototype que nous avons conçu peut s'adapter à des conditions changeantes ou inconnues. Dans une aile, par exemple, ces changements pourraient être l’accumulation de dommages internes, des changements dans la façon dont l’aile est fixée à un engin ou des charges externes fluctuantes. Chaque fois qu’une aile constituée d’un réseau neuronal mécanique rencontrait l’un de ces scénarios, elle pouvait renforcer et adoucir ses connexions pour conserver les attributs souhaités comme la force directionnelle. Au fil du temps, grâce aux ajustements successifs effectués par l'algorithme, l'aile adopte et conserve de nouvelles propriétés, ajoutant chaque comportement aux autres comme une sorte de mémoire musculaire.
Ce type de matériau pourrait avoir des applications de grande envergure pour la longévité et l’efficacité des structures bâties. Non seulement une aile constituée d'un matériau de réseau neuronal mécanique pourrait être plus solide, mais elle pourrait également être entraînée à se transformer en des formes qui maximisent le rendement énergétique en réponse aux conditions changeantes qui l'entourent.
Ce qu’on ne sait toujours pas
Jusqu’à présent, notre équipe a travaillé uniquement avec des treillis 2D. Mais grâce à la modélisation informatique, nous prédisons que les réseaux 3D auraient une capacité d’apprentissage et d’adaptation bien plus grande. Cette augmentation est due au fait qu’une structure 3D pourrait avoir des dizaines de fois plus de connexions, ou ressorts, qui ne se croisent pas. Cependant, les mécanismes que nous avons utilisés dans notre premier modèle sont beaucoup trop complexes pour être pris en charge dans une grande structure 3D.
Et après
Le matériel que mes collègues et moi avons créé est une preuve de concept et montre le potentiel des réseaux de neurones mécaniques. Mais pour transposer cette idée dans le monde réel, il faudra trouver comment rendre les pièces individuelles plus petites et dotées de propriétés précises de flexion et de tension.
Nous espérons que de nouvelles recherches dans le fabrication de matériaux à l'échelle micronique, ainsi que des travaux sur nouveaux matériaux à rigidité réglable, conduira à des avancées qui feront de puissants réseaux neuronaux mécaniques intelligents avec des éléments à l’échelle micronique et des connexions 3D denses une réalité omniprésente dans un avenir proche.
Cet article est republié de The Conversation sous une licence Creative Commons. Lis le article original.
Crédit image: Groupe de recherche flexible à l'UCLA
