加州大学洛杉矶分校的工程师设计的人工智能材料可以学习行为并适应不断变化的条件

就像一个不用看琴键就学会弹奏乐器的钢琴家，或者一个花费无数时间投出看似毫不费力的跳投的篮球运动员一样，加州大学洛杉矶分校的机械工程师设计了一种新的材料，可以随着时间的推移学习行为并发展它自己的“肌肉记忆”，允许实时适应不断变化的外力。

该材料由一个结构系统组成，该结构系统由可调梁组成，可以根据动态条件改变其形状和行为。这项研究发现在建筑、飞机和成像技术等方面有应用，周三发表在《科学机器人》杂志上。

“这项研究介绍并展示了一种人工智能材料，该材料可以学习在增加暴露于环境条件时表现出所需的行为和特性，”领导该研究的加州大学洛杉矶分校萨缪利工程学院的机械和航空航天工程教授乔纳森霍普金斯说。“机器学习中使用的相同基本原理被用于赋予这种材料智能和自适应的特性。”

例如，当材料被放置在飞机机翼中时，它可以学习根据飞行过程中的风模式改变机翼的形状，以提高飞机的效率和机动性。注入这种材料的建筑结构还可以自我调整某些区域的刚度，以提高其在或其他自然或人为灾害期间的整体稳定性。

利用和调整现有人工神经网络 (ANNs) 的概念，这些人工神经网络是驱动机器学习的算法，研究人员在互连系统中开发了 ANN 组件的机械等效物。正如该团队所称，机械神经网络 (MNN) 由以三角形格子图案定向的单独可调光束组成。每根梁都具有音圈、应变片和挠曲件，使梁能够改变其长度，实时适应不断变化的环境，并与系统中的其他梁相互作用。

音圈的名称源于其最初用于扬声器将磁场转换为机械运动，它会根据施加在梁上的新力启动微调的压缩或膨胀。应变仪负责从用于控制学习行为的算法中的梁运动中收集数据。挠曲部本质上充当可移动梁之间的柔性接头以连接系统。

然后，优化算法通过从每个应变仪获取数据并确定刚度值的组合来控制整个系统，以控制网络应如何适应施加的力。

为了检查应变仪监控系统的有效性，研究团队还使用了在系统输出节点上训练的相机。

该系统的早期原型在施加力的输入和 MNN 响应的输出之间表现出滞后，这影响了系统的整体性能。该团队测试了梁中应变仪和弯曲的多次迭代以及不同的晶格图案和厚度，然后才实现了他们公布的设计，该设计设法克服了滞后并在各个方向准确地分配了施加的力。

“确定 [网络] 无法学习的原因对于理解如何设计成功学习的 MNN 非常重要，”研究人员分享了他们在过去五年中如何通过反复试验解决问题。

目前，该系统大约有微波炉那么大，但研究人员计划简化 MNN 设计，以便可以在 3D 晶格内以微尺度制造数千个网络，以用于实际材料应用。除了在车辆和建筑材料中使用这种材料外，研究人员建议，MNN 还可以被整合到装甲中以偏转冲击波，或用于声学成像技术以利用声波。

该论文的主要作者 Ryan Lee 是一名机械和航空航天工程博士生，也是加州大学洛杉矶分校霍普金斯大学柔性研究小组的成员。荷兰恩斯赫德特温特大学的 Erwin Mulder 也参与了这项研究，该研究得到了空军科学研究办公室的资助。