Un materiale AI che impara i comportamenti e si adegua

Una classe di materiali chiamati reti neurali meccaniche (MNN), che raggiungono una capacità di apprendimento regolando la rigidità dei loro fasci costituenti, prendendo spunto dalle reti neurali artificiali (ANN).

di Lisa Borreani

Comportamenti Autonomi e Adattabilità

A parte alcuni tessuti viventi, pochi materiali possono imparare autonomamente a mostrare i comportamenti desiderati come conseguenza dell’esposizione prolungata a scenari di carico ambientale imprevisti. Ancora meno materiali possono continuare a esibire comportamenti appresi in precedenza nel mezzo di condizioni mutevoli (ad esempio, livelli crescenti di danni interni, scenari di fissaggio variabili e carichi esterni fluttuanti) mentre acquisiscono anche nuovi comportamenti più adatti alla situazione in questione.

Proprio come un pianista che impara a suonare il proprio strumento senza guardare i tasti o un giocatore di basket che impiega innumerevoli ore di preparazione per lanciare un tiro in sospensione apparentemente senza sforzo, gli ingegneri meccanici dell’UCLA hanno progettato una nuova classe di materiale in grado di apprendere comportamenti diversi nel tempo e sviluppare una “memoria muscolare” propria, che consente l’adattamento in tempo reale alle diverse e variabili forze esterne.

Prove e Studio delle MNN

E’ stato costruito un reticolo di esempio per dimostrare la sua capacità di apprendere più comportamenti meccanici contemporaneamente. È stato poi condotto uno studio per determinare l’effetto di dimensione del reticolo, configurazione dell’imballaggio, tipo di algoritmo, numero di comportamento e sintonizzazione della rigidità lineare rispetto a quella non lineare sull’apprendimento MNN come proposto. Pertanto, questo lavoro pone le basi per ottenere materiali artificiali intelligenti (AI) in grado di “imparare” comportamenti e assorbirne le proprietà.

Composizione del Materiale e Applicazioni

Il materiale è composto da un sistema strutturale formato da travi regolabili e movibili che possono alterarne la forma e i comportamenti in risposta a condizioni dinamiche. La scoperta, soluzione finale della ricerca, vanta applicazioni nella costruzione di edifici, aerei e tecnologie di imaging, e in altri settori ed è stata resa pubblicata tramite gli articoli su Science Robotics.

“Questa ricerca introduce e dimostra l’esistenza di un materiale artificiale intelligente che può imparare e mettere in atto i comportamenti e le proprietà desiderati in caso di maggiore esposizione alle condizioni ambientali”, ha affermato il professore di ingegneria meccanica e aerospaziale Jonathan Hopkins della UCLA Samueli School of Engineering che ha guidato la ricerca. “Gli stessi principi fondamentali utilizzati nell’apprendimento automatico vengono utilizzati per conferire a questo materiale le sue proprietà intelligenti e adattive”.

Potenziali Applicazioni Pratiche

Se il materiale venisse inserito nelle ali degli aerei, ad esempio, potrebbe imparare a modificare la forma delle ali in base al vento e alle turbolenze, in modo da migliorare l’efficienza e la manovrabilità dell’aereo. Le strutture edilizie con l’infusione di questo materiale potrebbero anche autoregolare la rigidità in alcune aree del fabbricato per migliorare la loro stabilità complessiva durante un terremoto, disastri naturali o eventi imprevisti provocati dall’uomo. Questo tipo di materiale potrebbe avere infinite applicazioni in modo da sfruttare la longevità e l’efficienza dell’oggetto su cui viene utilizzato.

Reti Neurali Meccaniche e Apprendimento Automatico

Con l’uso e adattando i concetti delle reti neurali artificiali (ANN) esistenti, che sono gli algoritmi che guidano l’apprendimento automatico, i ricercatori hanno sviluppato gli equivalenti meccanici dei componenti ANN in un sistema interconnesso. La rete neurale meccanica (MNN), così denominata dal team di ricerca, è costituita da raggi regolabili individualmente orientati in un reticolo triangolare. Ogni raggio è dotato di bobina mobile, estensimetri e flessioni che consentono al raggio stesso di cambiare la sua lunghezza, adattarsi al suo ambiente mutevole in tempo reale e interagire con altri raggi nel sistema.

Prototipo di rete neurale meccanica (MNN): (A) parti assemblate e (B) parti smontate

Componenti del Sistema MNN

La bobina mobile, che prende il nome dal suo uso originale negli altoparlanti per convertire i campi magnetici in movimento meccanico, avvia la compressione o l’espansione ottimizzata in risposta a nuove forze poste sul raggio. L’estensimetro raccoglie i dati forniti dal movimento del raggio che vengono utilizzati nell’algoritmo per controllare il comportamento di apprendimento. Le flessioni agiscono essenzialmente come giunti flessibili tra le travi mobili per collegare il sistema.

Un algoritmo di ottimizzazione regola quindi l’intero sistema prendendo i dati da ciascuno degli estensimetri e determinando una combinazione di valori di rigidità. Essi controllano come la rete dovrebbe adattarsi alle forze applicate.

Verifica e Sviluppo del Prototipo

Per verificare la validità del sistema monitorato da estensimetri, il team di ricerca ha utilizzato anche telecamere puntate sui nodi di uscita del sistema.

I primi prototipi hanno mostrato un ritardo tra l’input della forza applicata e l’output della risposta MNN, che ha influito sulle prestazioni complessive del sistema. Il team ha testato più iterazioni degli estensimetri e delle flessioni nelle travi, nonché diversi modelli e spessori reticolari prima di ottenere il progetto pubblicato. Quest’ultimo è riuscito a superare il ritardo presente nel prototipo e distribuire accuratamente la forza applicata in tutte le direzioni.

Progetto e Problematiche

“Identificare i motivi per cui le reti non sono riuscite ad apprendere è importante per capire come progettare MNN che apprendano con successo”, per questo i ricercatori hanno condiviso tra loro le varie risoluzioni del problema negli ultimi cinque anni dopo aver superato vari tentativi ed eliminato errori.

Attualmente, il sistema ha all’incirca le dimensioni di un forno a microonde, ma i ricercatori hanno in programma di semplificare il progetto MNN in modo che migliaia di reti possano essere prodotte su micro scala all’interno di reticoli 3D per applicazioni materiali pratiche.

Futuro delle MNN e Ulteriori Applicazioni

Oltre a utilizzare il materiale nei veicoli e nei materiali da costruzione, i ricercatori suggeriscono che gli MNN potrebbero anche essere incorporati in un’armatura per deviare le onde d’urto o nelle tecnologie di imaging acustico per sfruttare le onde sonore.

La rete è composta da 21 travi (ciascuna lunga 15 centimetri) disposte in una griglia o reticolo triangolare. Ogni singola trave è dotata di un piccolo motore lineare in grado di alterarne la rigidità, insieme a sensori che misurano quanto ogni “neurone” è fuori dalla posizione. Pertanto, il computer è in grado di addestrare la rete modificando la rigidità del raggio. Una volta completata, la struttura non necessita di calcoli esterni poiché le rigidità della trave sono bloccate.

Prototipo di rete neurale meccanica

Commenti dei Ricercatori e Sviluppo del Modello

Ryan Lee è un ricercatore in ingegneria meccanica e aerospaziale e membro del gruppo di ricerca del prof. Hopkins presso l’UCLA e così commenta:

“Il nuovo materiale è un progetto definito per ottenere le migliori proprietà principalmente dalla geometria e dai tratti specifici del suo design, piuttosto che da ciò di cui è composto. Prendiamo ad esempio le chiusure in tessuto a strappo come il velcro. Non importa se è fatto di cotone, plastica o qualsiasi altra sostanza: se un lato è un tessuto con ganci rigidi e l’altro lato è morbido, si potranno sfruttare le proprietà del velcro per unirli”.

Dettagli della Formazione e del Prototipo

La sua spiegazione prosegue nei dettagli: “Per scoprire se un reticolo meccanico sarebbe in grado di adottare e mantenere nuove proprietà, come assumere una nuova forma o cambiare la forza direzionale, abbiamo iniziato costruendo un modello al computer. Abbiamo quindi selezionato una forma desiderata per il materiale e le forze di input e fatto regolare da un algoritmo informatico le tensioni delle connessioni in modo che le forze di input producessero la forma desiderata. Abbiamo svolto questa formazione su 200 diverse strutture reticolari e scoperto così che un reticolo triangolare era il migliore per ottenere tutte le forme che abbiamo testato.

Confronto pre e post-calibrazione degli spostamenti indesiderati dei nodi di output della rete neurale meccanica (MNN) risultanti da combinazioni assegnate di valori di rigidità assiale. Ottanta combinazioni casuali ma valori diversi di rigidità assiale sono state assegnate ai 21 fasci regolabili e gli spostamenti risultanti dei nodi di output (ovvero, Nodo 1 e Nodo 2) sono tracciati prima (punti rossi) e dopo (puntini blu) calibrando ogni singolo raggio.

Una volta che le numerose connessioni sono sintonizzate per raggiungere una serie di compiti, il materiale continuerà a reagire nel modo desiderato. La formazione è – in un certo senso – ricordata nella struttura stessa del materiale.

E’ stato quindi costruito un reticolo prototipo fisico con molle elettromeccaniche regolabili disposte in un reticolo triangolare. Il prototipo è costituito da connessioni da 6 pollici ed è lungo circa 2 piedi e largo 1½ piedi e ha funzionato. Quando il reticolo e l’algoritmo hanno lavorato insieme, il materiale è stato in grado di apprendere e cambiare forma in modi particolari sottoposto a forze diverse.

Analisi ad elementi finiti (FEA) utilizzata per calcolare i valori di rigidezza passiva del raggio sintonizzabile lungo le sue direzioni non assiali. (A) scorrimento fisso con carico di forza (B) scorrimento bloccato con carico di forza (C) scorrimento bloccato con scenari di caricamento del momento utilizzato per calcolare i valori di rigidezza passiva della trave lungo direzioni non assiali.

Flexible Research Group

La rete neurale meccanica (MNN) progettata dagli ingegneri meccanici dell’UCLA è semplicemente un punto di partenza per lo sviluppo di materiali con capacità di intelligenza artificiale.

L’obiettivo di ricerca del “Flexible Research Group” è quello di consentire la progettazione e la successiva fabbricazione di strutture, meccanismi e materiali flessibili avanzati che raggiungano capacità straordinarie attraverso la deformazione degli elementi che li costituiscono originariamente. Tali sistemi sono intrinsecamente ripetibili, scalabili, sicuri per l’uomo, a basso costo, di facile manutenzione, adattabili, leggeri, in grado di immagazzinare energia di deformazione o adattarsi alle imperfezioni e sono versatili nella cinematica che sono in grado di ottenere. Nonostante l’importanza dei sistemi flessibili, la loro progettazione può essere eccessivamente gravosa a causa del complesso sistema meccanico non lineare che ne governa il comportamento. Inoltre, la fabbricazione di sistemi flessibili può essere difficile o impossibile tanto più la loro geometria è complessa, di forma irregolare, di dimensioni inferiori al micron e/o possiede nella sua costituzione un numero ingestibile di elementi cedevoli. Le aree di particolare interesse per il nostro gruppo includono: materiali progettati (noti anche come metamateriali meccanici), di fabbricazione additiva per abilitare i sistemi microelettromeccanici basati su flessione (MEMS), sistemi di flessione di precisione, robot morbidi e dispositivi medici conformi.