[ad_1]
(Noticias de Nanowerk) ¿Puedes aplanar una pieza de origami 3D sin dañarla? Solo mirar el diseño hace que sea difícil predecir la respuesta porque cada pliegue en el diseño debe ser compatible con el aplanamiento. Este es un ejemplo de un problema combinatorio.
Una nueva investigación dirigida por el Instituto de Física UvA y el instituto de investigación AMOLF ha demostrado que los algoritmos de aprendizaje automático pueden responder con precisión y eficiencia a este tipo de preguntas. Esto debería impulsar el diseño de (meta)materiales complejos y funcionales apoyados en inteligencia artificial.
En su último trabajo, publicado en Cartas de verificación física («Aprendizaje automático de reglas combinatorias implícitas en metamateriales mecánicos»), el equipo de investigación probó qué tan bien la inteligencia artificial (IA) puede predecir las propiedades de los llamados metamateriales mecánicos combinatorios.
materiales artificiales
Estos son materiales de ingeniería cuyas propiedades están determinadas por su estructura geométrica más que por su composición química. Una pieza de origami es también un tipo de metamaterial cuya capacidad de aplanarse (una propiedad física bien definida) viene determinada por cómo se pliega (su estructura) y no por el tipo de papel del que está hecho.
En general, el diseño inteligente nos permite controlar exactamente dónde o cómo un metamaterial que se puede usar para todo, desde amortiguadores hasta el despliegue de paneles solares en un satélite en el espacio, se dobla, se tuerce o se tuerce.
Un metamaterial combinatorio típico estudiado en el laboratorio consta de dos o más tipos u orientaciones de bloques de construcción que se deforman de diferentes maneras cuando se aplica una fuerza mecánica. Cuando estos bloques de construcción se combinan al azar, el material en su conjunto no suele doblarse bajo la presión, ya que no todos los bloques de construcción pueden deformarse de la manera deseada; se atascarán. Donde un bloque de construcción quiere sobresalir hacia afuera, su vecino debería poder apretarse hacia adentro. Para que el metamaterial se doble fácilmente, todos los bloques de construcción deformados deben encajar como un rompecabezas. Así como cambiar un solo pliegue puede hacer que una pieza de origami se desinfle, cambiar un solo bloque puede hacer que un metamaterial «flojo» se vuelva rígido.
Difícil de predecir
Si bien los metamateriales tienen muchas aplicaciones potenciales, desarrollar uno nuevo es un desafío. Comenzar con un conjunto dado de bloques de construcción, derivar el conjunto completo de propiedades de metamateriales para diferentes estructuras a menudo equivale a prueba y error. Hoy en día ya no queremos hacer todo esto a mano. Sin embargo, debido a que las propiedades de los metamateriales combinatorios son tan sensibles a los cambios en los componentes básicos individuales, los métodos estadísticos y numéricos tradicionales son lentos y propensos a errores.
En cambio, los investigadores descubrieron que el aprendizaje automático podría ser la respuesta: incluso con un conjunto relativamente pequeño de ejemplos para aprender, las llamadas redes neuronales convolucionales pueden predecir con precisión las propiedades del metamaterial de cualquier configuración de bloques de construcción, hasta el más fino. detalles.
«Esto superó con creces nuestras expectativas», dice el estudiante de doctorado y primer autor Ryan van Mastrigt. «La precisión de las predicciones nos dice que las redes neuronales han aprendido las reglas matemáticas que subyacen a las propiedades de los metamateriales, incluso si nosotros mismos no conocemos todas las reglas».
Este resultado sugiere que podemos usar la IA para diseñar nuevos metamateriales complejos con propiedades útiles. En términos más generales, la aplicación de redes neuronales a problemas combinatorios nos permite hacer muchas preguntas interesantes. Tal vez puedan ayudarnos a resolver problemas (combinatorios) en otros contextos. Y a la inversa, los resultados pueden mejorar nuestra comprensión de las propias redes neuronales, por ejemplo, al mostrar cómo la complejidad de una red neuronal se relaciona con la complejidad de los problemas que puede resolver.
[ad_2]