Новые метаматериалы учатся менять форму и адаптироваться без центрального мозга

Фото из открытых источников

Исследователи продемонстрировали, что цепочечный роботизированный метаматериал может научиться изменять свою форму, хранить множество различных форм и переключаться между ними без центрального контроллера. Результаты исследования опубликованы в журнале Nature Physics.

Это открытие напрямую связывает обучение с физической материей, открывая возможность создания машин, которые адаптируются, изменяя собственную структуру, а не следуя заданным инструкциям.

На столе с низким коэффициентом трения цепь изгибалась, принимая заученные формы, и возвращалась к ним при повторном воздействии того же входного сигнала. Отслеживая эти изменения, Яо Ду из Амстердамского университета (UvA) показал, что каждая единица корректирует свое локальное поведение на основе информации, полученной от соседних шарниров.

Вместо следования заданной программе, соединенные узлы сохраняли данные о предыдущем движении и обновляли свои характеристики сопротивления изгибу, что позволяло материалу совершенствовать свои свойства с течением времени.

Способность хранить, корректировать и повторно использовать усвоенные формы создает основу для более сложных форм поведения, выходящих за рамки простых изменений формы. В каждом шарнире размещался микроконтроллер, крошечный компьютер, расположенный на соединении, а локальная память заменяла необходимость в центральном «мозге».

Когда одна из деталей вращалась, устройство измеряло угол, сравнивало свободное и зафиксированное положения и изменяло приложенный крутящий момент. Поскольку каждый блок обменивался данными только с соседними устройствами, он мог обновлять жесткость — сопротивление материала изгибу — без централизованного управления.

Эта простота имела значение, потому что крупные материалы не могут ждать, пока один процессор рассчитает каждый изгиб, прежде чем что-либо начнет двигаться. Тренировка не зафиксировала метаматериал — искусственно созданную структуру, способную к необычному поведению, — в одном положении, в котором останавливаются многие материалы, меняющие форму.

После изучения U-образной формы и пошагового написания каждой буквы слова LEARN, цепочка из 11 элементов заменила предыдущие ответы без необходимости полного сброса.

«Самым захватывающим наблюдением нашего исследования стало то, что обучение дает нашим метаматериалам возможность эволюционировать — как только система начинает учиться, возможности того, к чему она в итоге приведет, кажутся практически безграничными», — сказал Ду.

После того как память стала редактируемой, следующей задачей стало обеспечение одновременного хранения нескольких усвоенных ответов.

Изучение нескольких вариантов реакции одновременно заставило команду столкнуться с нереципрокным поведением, когда направление реакции меняет результат. Толчок вблизи одного конца мог привести к тому, что удаленный шарнир изогнулся бы в одну сторону, а обратный толчок дал бы другой результат.

Благодаря этой асимметрии, цепочка последовательно обучалась нескольким целевым алгоритмам в каждом раунде, вместо того чтобы усреднять их. Этот шаг превратил обучение с запоминания отдельных фрагментов информации в обучение с использованием нескольких доступных действий для одного и того же материала.

Более крупные цепи представляли собой более сложную задачу, поскольку изгиб в одном месте ослабевает по мере распространения по обычному упругому материалу. Тем не менее, более крупные версии всё ещё усваивали сложные формы, включая небольшую цепочку, которая при подаче простых команд образовывала кошку.

Команда способствовала формированию длинных цепочек, позволяя удаленным друг от друга частям влиять друг на друга, благодаря чему информация не исчезала слишком быстро.

Полученные результаты позволяют предположить, что эти материалы могут быть масштабированы за пределы простых демонстраций, даже если более крупные версии обучаются медленнее. Ранее полученные в той же лаборатории активные твердые вещества уже могли перекатываться и ползать по грязной поверхности. Аналогичные механические сети уже освоили задачи посредством локальных обновлений, демонстрируя способность оборудования к самообучению.

Новая система объединяет эти идеи, сводя движение, память и обучение к одному целому телу. Это делает адаптацию частью самой структуры, а не отдельным контроллером, работающим над ней.

В ходе экспериментов с цепочкой исследователи обнаружили мультистабильное поведение, то есть материал мог принимать несколько устойчивых положений. Локальные настройки привели к нестабильности одной из плоских поз, поэтому система усилила изгиб до тех пор, пока не установилось новое равновесие.

При наличии одного нестабильного режима в нужном месте, обученная пара фигур могла бы быстро переключаться между состояниями и сохранять результат.

Это открытие позволило реализовать самые роботизированные трюки, которые мог выполнять этот материал, поскольку теперь сохраненные формы могли запускать быстрые действия. 

Одна из обученных цепей превратилась в рефлекторный захват, который хватал предметы при соприкосновении и отпускал, когда толкали другую цепочку. Другой вариант, приводимый в движение одним шарниром, циклически принимал устойчивые положения и преобразовывал эту последовательность в движение вперед.

Только асимметричная система сохраняла эту походку, поскольку силы, зависящие от направления, изменяли траекторию движения между одной позой и следующей. Пока эти действия остаются простыми, но они показывают, что обучение может приводить к формированию поведения, а не только геометрических фигур.

Следующая цель — обучение полным последовательностям движений, таким как переключение между ползанием и перекатыванием.

Ду объяснил, что команда хочет, чтобы материал научился справляться со временем и неопределенностью, чтобы он мог адаптироваться, когда сигналы становятся шумными. Такой подход позволит приблизить проект к живым тканям и организмам, которые постоянно адаптируются к изменениям в мире. Это позволило бы проверить, смогут ли эти материалы оставаться полезными за пределами лабораторных занятий, где накапливаются трение, вариативность и ошибки.

В работе предполагается, что обучение не обязательно должно существовать вне рамок материи как программного обеспечения, поскольку материя теперь может хранить и обновлять поведение. Если инженерам удастся сделать эти системы быстрее, прочнее и трехмерными, граница между материалом и машиной может продолжать сужаться.