[ad_1]
(Noticias de Nanowerk) Al igual que un pianista que aprende a tocar su instrumento sin mirar las teclas, o un jugador de baloncesto que invierte incontables horas para lanzar un tiro en suspensión aparentemente sin esfuerzo, los ingenieros mecánicos de la UCLA han desarrollado una nueva clase de materiales conocidos en los Comportamientos de aprendizaje a lo largo del tiempo. puede desarrollar su propia «memoria muscular» que permite la adaptación en tiempo real a las fuerzas externas cambiantes.
El material consta de un sistema estructural de haces sintonizables que pueden cambiar de forma y comportamiento en respuesta a las condiciones dinámicas. El resultado de la investigación, que tiene aplicaciones en la construcción de edificios, aeronaves y tecnologías de imagen, entre otras cosas, se publicó en Robótica Científica («Redes neuronales mecánicas: materiales arquitectónicos que aprenden comportamiento»).
![Fotografía de una red neuronal mecánica](https://www.nanowerk.com/news2/robotics/id61673_1.jpg)
«Esta investigación presenta y demuestra un material inteligente artificial que puede aprender a exhibir comportamientos y propiedades deseados cuando se expone a condiciones ambientales mejoradas», dijo Jonathan Hopkins, profesor de ingeniería mecánica y aeroespacial en la Escuela de Ingeniería Samueli de UCLA, quien dirigió la investigación. «Los mismos principios básicos utilizados en el aprendizaje automático se utilizan para dar a este material sus propiedades inteligentes y adaptativas».
Por ejemplo, si el material se coloca en las alas de un avión, podría aprender a cambiar la forma de las alas en función de los patrones del viento durante un vuelo para lograr una mayor eficiencia y maniobrabilidad de la aeronave. Las estructuras de construcción infundidas con este material también podrían autoajustar la rigidez en áreas específicas para mejorar su estabilidad general durante un terremoto u otro desastre natural o provocado por el hombre.
Usando y adaptando conceptos de redes neuronales artificiales (ANN) existentes, que son los algoritmos que impulsan el aprendizaje automático, los investigadores desarrollaron los equivalentes mecánicos de los componentes de ANN en un sistema en red. La red neuronal mecánica (MNN), como la llamó el equipo, consta de haces sintonizables individualmente alineados en un patrón de cuadrícula triangular. Cada haz cuenta con una bobina de voz, medidores de tensión y flexiones que permiten que el haz cambie su longitud, se adapte a su entorno cambiante en tiempo real e interactúe con otros haces en el sistema.
La bobina de voz, que toma su nombre de su uso original en los altavoces para convertir los campos magnéticos en movimiento mecánico, inicia una compresión o expansión finamente ajustada en respuesta a las nuevas fuerzas que actúan sobre el haz. El medidor de tensión es responsable de recopilar datos del movimiento del haz, que se utiliza en el algoritmo para impulsar el comportamiento de aprendizaje. Las flexiones actúan esencialmente como juntas flexibles entre las vigas móviles para conectar el sistema.
Luego, un algoritmo de optimización gobierna todo el sistema, tomando los datos de cada una de las galgas extensométricas y determinando una combinación de valores de rigidez para controlar cómo debe adaptarse la red 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 extensiométricas y las curvas de las vigas, así como diferentes patrones y espesores de rejilla, antes de llegar a su diseño publicado, que logró superar el retraso y distribuir con precisión la fuerza aplicada en todas las direcciones.
«Descubre las razones por las que [the networks] no aprender es importante para comprender cómo diseñar MNN que aprendan con éxito”, compartieron los investigadores, compartiendo cómo han estado resolviendo el problema a través de prueba y error durante 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 se puedan fabricar miles de redes 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 a la armadura para desviar las ondas de choque o en tecnologías de imágenes acústicas para aprovechar las ondas de sonido.
[ad_2]