Egy új típusú anyag megtanulhatja és javíthatja a váratlan erőkkel szembeni képességét az egyedi rácsszerkezetnek köszönhetően, amely változó merevségű kapcsolatokat tartalmaz, mint pl. egy új lapban leírták kollégáim és én.
Az új anyag az építészeti anyagok egyik fajtája, amely tulajdonságait elsősorban a geometriájából és a tervezési sajátosságaiból nyeri, nem pedig abból, hogy miből készült. Vegyük például a tépőzáras szövetzárakat, például a tépőzárat. Nem számít, hogy pamutból, műanyagból vagy bármilyen más anyagból készült. Mindaddig, amíg az egyik oldalon merev kampós szövet, a másik oldalon pedig bolyhos hurkok vannak, az anyag a tépőzáras ragadós tulajdonságokkal rendelkezik.
Kollégáimmal új anyagunk architektúráját egy mesterséges neurális hálózatra alapoztuk – egymással összekapcsolt csomópontok rétegei, amelyek képesek tanulj meg feladatokat végezni megváltoztatva, hogy mekkora jelentőséget vagy súlyt tulajdonítanak az egyes kapcsolatoknak. Feltételeztük, hogy a fizikai csomópontokkal rendelkező mechanikus rácsot meg lehet tanítani bizonyos mechanikai tulajdonságok felvételére az egyes kapcsolatok merevségének beállításával.
Annak kiderítésére, hogy egy mechanikus rács képes-e átvenni és fenntartani új tulajdonságokat – például új formát ölthet vagy megváltoztathatja az irányszilárdságot – számítógépes modell felépítésével kezdtünk. Ezután kiválasztottuk az anyag kívánt alakját, valamint a bemeneti erőket, és egy számítógépes algoritmussal hangoltuk a csatlakozások feszültségeit úgy, hogy a bemeneti erők a kívánt formát hozzák létre. Ezt a képzést 200 különböző rácsszerkezeten végeztük el, és azt találtuk, hogy a háromszög alakú rács a legjobb az összes általunk tesztelt forma elérésére.
Miután a sok kapcsolatot egy feladatsor eléréséhez hangolják, az anyag továbbra is a kívánt módon reagál. A képzés – bizonyos értelemben – magának az anyagnak a szerkezetében emlékezik meg.
Ezután egy fizikai prototípus rácsot építettünk háromszögrácsban elhelyezett állítható elektromechanikus rugókból. A prototípus 6 hüvelykes csatlakozókból áll, és körülbelül 2 láb hosszú és 1 láb széles. És működött. Amikor a rács és az algoritmus együtt működött, az anyag képes volt megtanulni és bizonyos módon megváltoztatni az alakját, ha különböző erőknek volt kitéve. Ezt az új anyagot mechanikus neurális hálózatnak nevezzük.
Miért számít?
Néhányon kívül élő szövetek, nagyon kevés anyag képes megtanulni jobban megbirkózni a váratlan terhelésekkel. Képzeljen el egy repülőgép szárnyát, amely hirtelen elkap egy széllökést, és egy váratlan irányba kényszeríti. A szárny nem változtathatja meg a kialakítását, hogy erősebb legyen ebben az irányban.
Az általunk tervezett prototípus rácsanyag alkalmazkodni tud a változó vagy ismeretlen körülményekhez. Például egy szárnyban ezek a változások lehetnek a belső sérülések felhalmozódása, a szárnynak a vízi járműhöz való rögzítésének megváltozása vagy az ingadozó külső terhelések. Minden alkalommal, amikor egy mechanikus neurális hálózatból készült szárny ilyen forgatókönyvek valamelyikét tapasztalta, meg tudta erősíteni és lágyítani a kapcsolatait, hogy fenntartsa a kívánt tulajdonságokat, például az irányerőt. Idővel az algoritmus által végrehajtott egymást követő módosítások révén a szárny új tulajdonságokat vesz fel és tart fenn, minden viselkedést hozzáadva a többihez egyfajta izommemóriaként.
Az ilyen típusú anyagoknak messzemenő alkalmazásai lehetnek az épített szerkezetek hosszú élettartama és hatékonysága érdekében. A mechanikus neurális hálózat anyagából készült szárny nemcsak erősebb lehet, hanem arra is tanítható, hogy olyan alakzatokká alakuljon, amelyek maximalizálják az üzemanyag-hatékonyságot a körülötte lévő változó körülmények hatására.
Ami még nem ismert
Csapatunk eddig csak 2D rácsokkal dolgozott. De számítógépes modellezéssel azt jósoljuk, hogy a 3D rácsoknak sokkal nagyobb kapacitásuk lesz a tanulásra és az alkalmazkodásra. Ez a növekedés annak a ténynek köszönhető, hogy egy 3D-s szerkezetnek tízszer több olyan csatlakozása vagy rugója lehet, amelyek nem metszik egymást. Az első modellünkben használt mechanizmusok azonban túl bonyolultak ahhoz, hogy egy nagy 3D-s struktúrában támogassák őket.
Mi a következő lépés
A kollégáimmal készített anyag a koncepció bizonyítéka, és bemutatja a mechanikus neurális hálózatokban rejlő lehetőségeket. De ahhoz, hogy ezt az ötletet a valós világba vigyük, ki kell találnunk, hogyan lehet az egyes darabokat kisebbre szabni, és pontos hajlítási és feszítési tulajdonságokkal rendelkezni.
Reméljük, hogy új kutatásokat végeznek a anyagok gyártása mikron léptékben, valamint dolgozzon tovább új anyagok állítható merevséggel, olyan előrelépésekhez vezet, amelyek a mikronméretű elemekkel és sűrű 3D-s kapcsolatokkal rendelkező, erőteljes intelligens mechanikus neurális hálózatokat mindenütt jelen lévő valósággá teszik a közeljövőben.
Ezt a cikket újra kiadják A beszélgetés Creative Commons licenc alatt. Olvassa el a eredeti cikk.
