За исключением некоторых живых тканей, лишь немногие материалы могут автономно научиться демонстрировать желаемое поведение после длительного воздействия неожиданных сценариев нагрузки окружающей среды, отмечают исследователи в журнале . Еще реже встречаются материалы, которые могут продолжать демонстрировать ранее усвоенное поведение в изменяющихся условиях (например, при увеличении уровня внутренних повреждений, колебаниях внешних нагрузок и т.д.), приобретая при этом новое поведение, более подходящее для данной ситуации.
Чтобы заполнить этот пробел, исследователи разработали так называемую механическую нейронную сеть (МНС), которая может научиться регулировать жесткость связей между этими физическими компонентами так же, как искусственные нейронные сети, имитирующие человеческий мозг, регулируют свои веса. «Эта работа закладывает основу для создания искусственно интеллектуальных материалов, которые могут обучаться поведению и свойствам«, — резюмируют они.
Механическая сеть, которая автоматически регулирует свою форму
Искусственные нейронные сети, которые лежат в основе многих современных моделей искусственного интеллекта, вдохновлены тем, как работают нейроны в человеческом мозге: как мозг учится новому поведению путем укрепления синаптических связей, так и искусственные нейронные сети учатся путем изменения числовых значений, представляющих эти связи. Рассматриваемая здесь механическая нейронная сеть работает по тому же принципу, за исключением того, что вес связей между нейронами заменен физическими связями различной жесткости.
«Мы предположили, что механическую сеть с физическими узлами можно обучить определенным механическим свойствам, регулируя жесткость каждого соединения«, — объясняет Райан Ли, аспирант факультета механической и аэрокосмической инженерии Калифорнийского университета и первый автор исследования. Другими словами, вместо обработки цифровых данных МНС обрабатывает приложенные к нему силы, соответствующим образом скручиваясь и изменяя свою форму. «Если МНС поврежден, вырезан, чтобы занять другой объем, или закреплен по-другому, он может заново научиться ранее освоенным формам поведения и приобретать новые по мере необходимости«, — говорится в статье команды.
Чтобы реализовать эту концепцию на практике, Ли и его коллеги сначала построили компьютерную модель этой механической сети: они определили желаемую форму и входные силы, а затем, используя алгоритм, отрегулировали напряжения соединений так, чтобы входные силы создавали желаемую форму.
В итоге они построили массив размером примерно 45 на 60 сантиметров, состоящий из 21 регулируемой электромеханической пружины, расположенных в треугольной форме — что оказалось наилучшей формой для достижения всех желаемых конфигураций. Соединения имеют длину около 15 сантиметров; каждое из них оснащено небольшим линейным двигателем, который может изменять его жесткость. Материал «получает свои свойства в основном от геометрии и специфических характеристик своей конструкции, а не от того, из чего он сделан«, — говорит Ли.
Как только сеть была обучена — то есть жесткость связей была отрегулирована таким образом, чтобы она могла выполнять ряд задач — материал смог обучаться и менять форму в зависимости от приложенных к нему сил. Таким образом, он мог адаптироваться к любым изменяющимся или неизвестным условиям.
По мнению Ли, такой материал идеально подходит для проектирования крыла самолета: перед лицом накапливающихся внутренних повреждений, изменений в способе крепления крыла к фюзеляжу или неожиданного порыва ветра механическая нейронная сеть будет соответствующим образом укреплять свои связи; крыло будет становиться прочнее со временем (и регулировками); а самолет будет достигать большей эффективности и маневренности по мере накопления опыта полетов.
«Этот тип материала может иметь далеко идущие применения для долговечности и эффективности построенных сооружений«, — сказал Ли. Можно не только повысить прочность крыла самолета, но и продвинуться на шаг вперед, обучив МНС полностью изменять форму конструкции, если это необходимо для поддержания максимальной энергоэффективности.
Этот прототип является лишь доказательством концепции, чтобы продемонстрировать потенциал МНС. Теперь команда хотела бы адаптировать свою сеть к 3D, поскольку компьютерное моделирование показало, что 3D-сети обладают гораздо большей способностью к обучению и адаптации (благодаря большему количеству связей). Но на данный момент используемые механизмы слишком сложны, чтобы их можно было перенести в 3D, говорит исследователь.