یک ماده جدید مبتنی بر هوش مصنوعی می تواند رفتارها را یاد بگیرد و با شرایط مختلف سازگار شود

بریتنی گرایمز -19 اکتبر 2022 -عکس یک شبکه عصبی مکانیکی (MNN).UCLA / گروه تحقیقاتی انعطاف پذیر.

مهندسان مکانیک در دانشگاه کالیفرنیا، لس آنجلس (UCLA) نوع جدیدی از مواد ایجاد کرده‌اند که از هوش مصنوعی برای یادگیری رفتارها در دوره‌های زمانی طولانی استفاده می‌کند.این مطالعه  در مجله Science Robotics منتشر شد.

مزایای مواد در صنایع مختلف

این ماده از یک سیستم ساختاری تشکیل شده از تیرهایی قابل تنظیم است که می تواند شکل و رفتار را در طول زمان تغییر دهد. این مطالعه گفت که این تغییر پاسخی به شرایط دینامیکی است. تیم تحقیقاتی دریافتند که این هوش مصنوعی می تواند در ساخت ساختمان ها، هواپیماها و فناوری تصویربرداری به کار رود.

جاناتان هاپکینز، محقق ارشد این مطالعه و استاد مهندسی مکانیک و هوافضا در دانشکده مهندسی ساموئلی UCLA می‌گوید: «این تحقیق یک ماده هوشمند مصنوعی را معرفی و نشان می‌دهد که می‌تواند رفتارها و ویژگی‌های مطلوب را پس از قرار گرفتن در معرض بیشتر شرایط محیطی نشان دهد.» .

او بیان کرد که اصول مورد استفاده در این تحقیق همان اصولی است که در یادگیری ماشین استفاده می شود، که به مواد توانایی سازگاری را می دهد.مثال ارائه شده در این مطالعه به امکان استفاده از این ماده در بال هواپیما اشاره می کند. مواد هوش مصنوعی توانایی یادگیری و تغییر شکل بال ها را دارند. این بر اساس الگوهای باد در طول پرواز برای ایجاد انعطاف پذیری و کارایی بیشتر رخ می دهد.

تیم تحقیقاتی همچنین مزایای القای مصالح ساختمانی، بهبود پایداری در هنگام زلزله، طوفان یا سایر بلایا را توضیح دادند.

ایجاد مواد

تیم تحقیقاتی از مفاهیم شبکه های عصبی مصنوعی موجود (ANN) برای ایجاد این ماده استفاده کرد. ANN ها الگوریتم هایی هستند که یادگیری ماشین را هدایت می کنند. آنها شبکه عصبی مکانیکی مواد را (MNN) می نامند. MNN متشکل از تیرهای قابل تنظیم مستقل است که در یک الگوی شبکه مثلثی قرار گرفته اند. هر پرتو جداگانه حاوی یک سیم پیچ صوتی، کرنش سنج و خمشی است که پرتو را قادر می سازد طول خود را تغییر دهد، با محیط متغیر خود در زمان واقعی سازگار شود و با سایر پرتوهای سیستم تعامل داشته باشد. این به مواد اجازه می دهد تا سازگاری خود را در محیط حفظ کنند.

هدف از سیم پیچ صدا، فشار سنج و خمش

این مطالعه هدف سیم پیچ صدا، فشار سنج و خمش ها را توضیح می دهد. در این مطالعه آمده است: سیم پیچ صدا، که نام خود را از استفاده اصلی خود در بلندگوها برای تبدیل میدان های مغناطیسی به حرکت مکانیکی گرفته است، فشرده سازی یا انبساط دقیق را در پاسخ به نیروهای جدید وارد شده بر پرتو آغاز می کند.

کرنش سنج مسئول جمع آوری داده ها از حرکت پرتو مورد استفاده در الگوریتم برای کنترل رفتار یادگیری است. خمش ها اساساً به عنوان اتصالات انعطاف پذیر در بین تیرهای متحرک برای اتصال سیستم عمل می کنند. این سه با هم کار می کنند تا خاصیت ارتجاعی و انعطاف پذیری را ایجاد کنند.

نهایی‌سازی شامل یک الگوریتم بهینه‌سازی است که کل سیستم را با گرفتن داده‌ها از فشارسنج‌ها و ایجاد مقادیر صلبیت برای کنترل نحوه انطباق شبکه تنظیم می‌کند. مقدار نیرویی که باید اعمال شود را کنترل می کند. همچنین دوربین‌هایی روی گره‌های بیرونی سیستم تعبیه شده است تا اعتبار سیستم استرین‌گیج را بررسی کنند.

اهداف آتی

اندازه فعلی سیستم MNN مشابه اجاق مایکروویو است. با این حال، تیم تحقیقاتی می‌خواهد این مفهوم را ساده‌تر کند تا بتوان هزاران سیستم را در مقیاس بسیار کوچک‌تری ایجاد کرد تا در وظایف مختلف به کار رود.