ساخت ماده جدید که با کمک هوش مصنوعی رفتارها را می‌آموزد

مهندسان مکانیک دانشگاه کالیفرنیا کلاس ماده جدیدی ایجاد کرده‌اند که می‌تواند به کمک هوش مصنوعی رفتارها را در طول زمان بیاموزد و با بهره گیری از “حافظه عضلانی” با نیروهای خارجی متغیر منطبق شود.

به گزارش تک ناک، این ماده از یک سیستم ساختاری با میله قابل تنظیم ساخته شده است که به آن اجازه می دهد شکل و رفتار خود را در پاسخ به شرایط دینامیکی تغییر دهد.

یافته‌های این مطالعه، که پیامدهایی در ساخت ساختمان‌ها، توسعه هواپیما و فناوری‌های تصویربرداری دارد، اخیراً در مجله Science Robotics منتشر شده است.

جاناتان هاپکینز، استاد مهندسی مکانیک و هوافضا از دانشکده مهندسی ساموئلی UCLA که رهبری این تحقیق را بر عهده داشت، گفت: این تحقیق یک ماده با استفاده از هوش مصنوعی را معرفی و نشان می‌دهد که می‌تواند رفتارها و ویژگی‌های مورد نظر را پس از قرار گرفتن در معرض بیشترین شرایط محیطی نشان دهد. برای دادن ویژگی‌های هوشمند و تطبیقی به این ماده از  اصول اساسی در یادگیری ماشین استفاده می‌شود.

برای مثال، هنگامی که این ماده در بال‌های هواپیما استفاده می‌شود، ممکن است یاد بگیرد که شکل بال‌ها را بسته به الگوی باد در طول پرواز تغییر دهد تا کارایی و مانورپذیری هواپیما بهبود یابد. این ماده همچنین ممکن است صلبیت را در مناطق خاصی از سازه ساختمان تنظیم کند تا پایداری کلی را در هنگام زلزله یا سایر بلایای طبیعی یا مصنوعی افزایش دهد.

محققان معادل‌های مکانیکی اجزای شبکه عصبی مصنوعی (ANN) را در یک سیستم به هم پیوسته که یادگیری ماشین را هدایت می‌کنند، ایجاد کرده اند. ابداع این تیم یعنی شبکه عصبی مکانیکی (MNN)، از میله های قابل تنظیم جداگانه تشکیل شده است که در یک الگوی شبکه مثلثی مرتب شده اند. هر میله مجهز به یک سیم پیچ صوتی، کرنش سنج و خمیدگی است که به آن اجازه می دهد طول را تغییر دهد، با محیط در حال تغییر خود در زمان واقعی سازگار شود و با میله های دیگر در سیستم تعامل داشته باشد.

سیم پیچ صوتی، فشرده سازی یا انبساط دقیق را در پاسخ به نیروهای جدید وارد شده بر میله آغاز می کند ودر ادامه کرنش سنج مسئول جمع آوری داده ها از حرکت میله مورد استفاده برای کنترل رفتار یادگیری در الگوریتم می شود. خمیدگی ها اساساً به عنوان اتصالات انعطاف پذیر در بین تیرهای متحرک برای اتصال سیستم عمل می کنند.

سپس یک الگوریتم بهینه سازی کل سیستم را با گرفتن داده ها از هر یک از کرنش سنج و تعیین ترکیبی از مقادیر صلبیت برای کنترل نحوه انطباق شبکه مواد با نیروهای اعمال شده تنظیم می کند.

به منظور بررسی اعتبار سیستم مانیتورینگ کرنش سنج، تیم تحقیقاتی همچنین از دوربین های آموزش دیده بر روی گره های خروجی سیستم استفاده کردند.

نمونه های اولیه سیستم تاخیر زمانی بین نیروی اعمال شده و پاسخ MNN نشان دادند که بر عملکرد کلی سیستم تأثیر گذاشته و نمی تواند نیروی اعمال شده را به صورت صحیح بین اعضای شبکه توزیع کند. این تیم تکرارهای متعدد کرنش سنج ها و خمش ها در تیرها و همچنین الگوهای شبکه و ضخامت های مختلف را قبل از دستیابی به طرح منتشر شده خود آزمایش کردند که موفق شد بر تاخیر غلبه کند و نیروی اعمال شده را به طور دقیق در همه جهات توزیع کند.

در حال حاضر، این سیستم به اندازه یک مایکروویو است، اما محققان قصد دارند طراحی MNN را ساده کنند تا هزاران شبکه در مقیاس میکرو در شبکه های سه بعدی برای کاربردهای عملی تولید شوند. علاوه بر استفاده از این ماده در وسایل نقلیه و مصالح ساختمانی، محققان پیشنهاد می‌کنند که MNN‌ها همچنین می‌توانند در یک زره برای انحراف امواج ضربه‌ای یا در فناوری‌های تصویربرداری صوتی برای مهار امواج صوتی گنجانده شوند.