به گزارش ایسنا و به نقل از آیای، مهندسان مکانیک در دانشگاه کالیفرنیا لسآنجلس (UCLA) نوع جدیدی از مواد را تولید کردهاند که از هوش مصنوعی برای یادگیری رفتارها در دورههای زمانی طولانی استفاده میکند.
مزایای ماده جدید در صنایع مختلف
این ماده از یک سیستم ساختاری متشکل از میلههای قابل تنظیم ساخته شده است که میتواند شکل و رفتار خود را در طول زمان تغییر دهد. محققان میگویند که این تغییر، واکنشی به شرایط دینامیکی است. پژوهشگران دریافتند که این ماده هوشمند میتواند در ساخت ساختمانها، هواپیماها و فناوری تصویربرداری به کار رود.
جاناتان هاپکینز، پژوهشگر ارشد این مطالعه و استاد مهندسی مکانیک و هوافضا در دانشگاه UCLA میگوید: این تحقیق، یک ماده مصنوعی هوشمند را معرفی میکند و نمایش میدهد که میتواند رفتارها و ویژگیهای مطلوب را پس از قرار گرفتن در معرض شرایط محیطی نشان دهد. اصول مورد استفاده در این تحقیق همان اصولی است که در فناوری یادگیری ماشینی استفاده میشود و به مواد توانایی سازگاری میدهد.
مثال ارائه شده در این پژوهش به امکان استفاده از این ماده در بال هواپیما اشاره میکند. مواد هوشمند، توانایی یادگیری و تغییر شکل بالها را دارند که این اتفاق بر اساس الگوهای باد در طول پرواز برای ایجاد انعطافپذیری و کارایی بیشتر ممکن میشود.
این گروه پژوهشی همچنین مزایای استفاده از این ماده هوشمند در مصالح ساختمانی را با اشاره به بهبود پایداری در هنگام زلزله، طوفان یا سایر بلایا خاطر نشان میکند.
ساخت این ماده هوشمند
پژوهشگران از مفاهیم شبکههای عصبی مصنوعی (ANN) موجود برای ایجاد این ماده استفاده کرد. شبکههای عصبی مصنوعی، الگوریتمهایی هستند که یادگیری ماشینی را هدایت میکنند. آنها این ماده را شبکه عصبی مکانیکی (MNN) مینامند.
شبکه عصبی مکانیکی شامل میلههای قابل تنظیم مستقل است که در یک الگوی شبکه مثلثی قرار گرفتهاند. هر میله جداگانه حاوی یک سیم پیچ صوتی، فشارسنج و قطعه خمشی است که میله را قادر میسازد تا طول خود را تغییر دهد، با محیط متغیر خود در لحظه سازگار شود و با سایر میلههای سیستم تعامل داشته باشد. این قطعات به ماده اجازه میدهند تا سازگاری خود را در محیط حفظ کند.
هدف از سیمپیچ، فشارسنج و قطعه خمشی
در این پژوهش در مورد هدف از استفاده از سیمپیچ، فشارسنج و قطعه خمشی تأکید شده است، سیمپیچ صوتی که نام خود را از مورد استفاده اصلی خود در بلندگوها برای تبدیل میدانهای مغناطیسی به حرکت مکانیکی گرفته است، فشردهسازی یا انبساط دقیق را در واکنش به نیروهای جدید وارد شده بر میله عملی میکند.
فشارسنج نیز مسئول جمعآوری دادهها از حرکت میله مورد استفاده در الگوریتم برای کنترل رفتار یادگیری است و قطعه خمشی هم اساساً به عنوان اتصالات انعطافپذیر در بین میلههای متحرک برای اتصال سیستم عمل میکند. این سه قطعه با هم کار میکنند تا خاصیت ارتجاعی و انعطافپذیری را ایجاد کنند.
نهاییسازی سیستم شامل یک الگوریتم بهینهسازی است که کل سیستم را با گرفتن دادهها از فشارسنجها و ایجاد مقادیر سختی برای کنترل نحوه انطباق شبکه تنظیم و مقدار نیرویی که باید اعمال شود را کنترل میکند. همچنین دوربینهایی روی قسمت بیرونی سیستم تعبیه شده است تا کارایی سیستم فشارسنج را بررسی کنند.
اهداف آتی
اندازه فعلی شبکه عصبی مکانیکی (MNN)، مشابه یک مایکروویو است. با این حال، پژوهشگران میخواهند این مفهوم را سادهتر کند تا بتوان هزاران سیستم را در مقیاس بسیار کوچکتری ایجاد کند تا در وظایف مختلف به کار روند.
در کنار استفاده از این مواد در هواپیماها و ساختمانها، میتوان از این مواد در زرههای محافظ آینده برای جلوگیری از امواج ضربهای استفاده کرد.
نتایج این پژوهش در مجله Science Robotics به تفصیل شرح داده شده است.