Enorme potencial: el nuevo material de IA aprende comportamientos y se adapta a las condiciones cambiantes

Red neuronal mecánica

Foto de una red neuronal mecánica (MNN). Actualmente, el sistema tiene aproximadamente el tamaño de un horno de microondas, pero los investigadores planean simplificar el diseño de MNN para que miles de redes puedan fabricarse a microescala dentro de redes 3D para aplicaciones prácticas de materiales. Crédito: Grupo de Investigación Flexible en UCLA

Los ingenieros de la Universidad de California en Los Ángeles han desarrollado una nueva clase de material.

Los ingenieros mecánicos de la Universidad de California en Los Ángeles han creado una nueva clase de material que puede aprender comportamientos con el tiempo y desarrollar una “memoria muscular” propia, lo que permite la adaptación en tiempo real a las fuerzas externas cambiantes, como un pianista que aprende a tocar su instrumento sin mirar las teclas o un jugador de baloncesto que dedica innumerables horas para lanzar un tiro en suspensión aparentemente sin esfuerzo.

El material está construido con un sistema estructural con vigas sintonizables que le permite cambiar su forma y comportamiento en respuesta a circunstancias dinámicas. Los hallazgos del estudio, que tienen implicaciones en la construcción de edificios, el desarrollo de aviones y tecnologías de imagen, entre otros, se publicaron recientemente en la revista ciencia robótica.

“Esta investigación presenta y demuestra un material inteligente artificial que puede aprender a exhibir los comportamientos y propiedades deseados al aumentar la exposición a las condiciones ambientales”, dijo el profesor de ingeniería mecánica y aeroespacial Jonathan Hopkins de la Escuela de Ingeniería UCLA Samueli, quien dirigió la investigación. “Los mismos principios fundamentales que se utilizan en el aprendizaje automático se utilizan para dar a este material sus propiedades inteligentes y adaptativas”.


Un video corto de una red neuronal mecánica que aprende a ajustar su rigidez en respuesta a las fuerzas aplicadas. Crédito: Grupo de Investigación Flexible en UCLA

Cuando el material se usa en las alas de los aviones, por ejemplo, puede aprender a cambiar la forma de las alas según los patrones del viento durante un vuelo para mejorar la eficiencia y la maniobrabilidad del avión. Este material también puede autoajustar la rigidez en ciertas regiones de la estructura de un edificio para aumentar la estabilidad general durante un terremoto u otros desastres naturales o provocados por el hombre.

Los investigadores crearon equivalentes mecánicos de componentes de redes neuronales artificiales (ANN) en un sistema interconectado mediante el uso y la modificación de conceptos de ANN existentes, que son los algoritmos que impulsan el aprendizaje automático. La creación del equipo, la red neuronal mecánica (MNN), se compone de haces sintonizables individualmente dispuestos en un patrón de celosía triangular. Cada haz está equipado con una bobina de voz, medidores de tensión y flexiones que le permiten cambiar de longitud, adaptarse a su entorno cambiante en tiempo real e interactuar con otros haces en el sistema.

Vista alternativa de la red neuronal mecánica

Una visión diferente de la red neuronal mecánica. Crédito: Grupo de Investigación Flexible en UCLA

La bobina de voz, que recibe su nombre de su uso original en los altavoces para convertir los campos magnéticos en movimiento mecánico, inicia la compresión o expansión ajustada en respuesta a las nuevas fuerzas aplicadas al haz. El medidor de tensión es responsable de recopilar datos del movimiento del haz utilizado en el algoritmo para controlar el comportamiento de aprendizaje. Las flexiones actúan esencialmente como juntas flexibles entre las vigas móviles para conectar el sistema.

Luego, un algoritmo de optimización regula todo el sistema tomando los datos de cada uno de los medidores de tensión y determinando una combinación de valores de rigidez para controlar cómo la red debe adaptarse a las fuerzas aplicadas.

Para verificar la validez del sistema monitoreado por galgas extensométricas, el equipo de investigación también usó cámaras enfocadas en los nodos de salida del sistema.

Los primeros prototipos del sistema mostraban un retraso entre la entrada de la fuerza aplicada y la salida de la respuesta MNN, lo que afectaba el rendimiento general del sistema. El equipo probó varias iteraciones de las galgas extensométricas y las flexiones en las vigas, así como diferentes patrones y espesores de celosía antes de lograr su diseño publicado que logró superar el retraso y distribuir con precisión la fuerza aplicada en todas las direcciones.

“Identificar las razones por las cuales [the networks] fallar en aprender es importante para comprender cómo diseñar MNN que aprendan con éxito”, los investigadores compartieron cómo resolvieron el problema a través de prueba y error en los últimos cinco años.

Actualmente, el sistema tiene aproximadamente el tamaño de un horno de microondas, pero los investigadores planean simplificar el diseño de MNN para que miles de redes puedan fabricarse a microescala dentro de redes 3D para aplicaciones prácticas de materiales. Además de usar el material en vehículos y materiales de construcción, los investigadores sugieren que los MNN también podrían incorporarse en una armadura para desviar las ondas de choque o en tecnologías de imágenes acústicas para aprovechar las ondas de sonido.

Referencia: “Redes neuronales mecánicas: materiales diseñados que aprenden comportamientos” por Ryan H. Lee, Erwin AB Mulder y Jonathan B. Hopkins, 19 de octubre de 2022, ciencia robótica.
DOI: 10.1126/scirobotics.abq7278

El estudio fue financiado por la Oficina de Investigación Científica de la Fuerza Aérea.

El autor principal del artículo, Ryan Lee, es estudiante de doctorado en ingeniería mecánica y aeroespacial y miembro del Grupo de Investigación Flexible de Hopkins en UCLA. Erwin Mulder de la Universidad de Twente en Enschede, Países Bajos, también trabajó en la investigación, que fue apoyada por subvenciones de la Oficina de Investigación Científica de la Fuerza Aérea.


Source: SciTechDaily by scitechdaily.com.

*The article has been translated based on the content of SciTechDaily by scitechdaily.com. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!