Matériel d’IA qui apprend les comportements et s’adapte aux conditions changeantes
Photo d’un réseau de neurones mécaniques (MNN). Actuellement, le système a à peu près la taille d’un four à micro-ondes, mais les chercheurs prévoient de simplifier la conception du MNN afin que des milliers de réseaux puissent être fabriqués à l’échelle microscopique dans des réseaux 3D pour des applications matérielles pratiques. Crédit : Groupe de recherche flexible à l’UCLA
Tout comme un pianiste qui apprend à jouer de son instrument sans regarder les touches ou un joueur de basket-ball qui met d’innombrables heures pour lancer un coup de saut apparemment sans effort, les ingénieurs mécaniques de l’UCLA ont conçu une nouvelle classe de matériaux qui peuvent apprendre des comportements au fil du temps et se développer. une « mémoire musculaire » qui lui est propre, permettant une adaptation en temps réel aux forces externes changeantes.
Le matériau est composé d’un système structurel composé de poutres accordables qui peuvent modifier sa forme et ses comportements en réponse à des conditions dynamiques. Les résultats de la recherche, qui se vantent d’applications dans la construction de bâtiments, d’avions et de technologies d’imagerie, entre autres, ont été publiés mercredi dans Robotique scientifique.
« Cette recherche présente et démontre un matériau intelligent artificiel qui peut apprendre à présenter les comportements et les propriétés souhaités lors d’une exposition accrue aux conditions ambiantes », a déclaré Jonathan Hopkins, professeur d’ingénierie mécanique et aérospatiale de l’UCLA Samueli School of Engineering, qui a dirigé la recherche. « Les mêmes principes fondamentaux que ceux utilisés dans l’apprentissage automatique sont utilisés pour donner à ce matériau ses propriétés intelligentes et adaptatives. »
Lorsque le matériau est placé dans des ailes d’avion, par exemple, il pourrait apprendre à transformer la forme des ailes en fonction des modèles de vent pendant un vol pour obtenir une plus grande efficacité et une plus grande maniabilité de l’avion. Les structures de construction imprégnées de ce matériau pourraient également ajuster automatiquement la rigidité dans certaines zones pour améliorer leur stabilité globale lors d’un tremblement de terre ou d’autres catastrophes naturelles ou causées par l’homme.
En utilisant et en adaptant les concepts des réseaux de neurones artificiels (ANN) existants, qui sont les algorithmes qui pilotent l’apprentissage automatique, les chercheurs ont développé les équivalents mécaniques des composants ANN dans un système interconnecté. Le réseau de neurones mécaniques (MNN), comme l’a appelé l’équipe, se compose de faisceaux accordables individuellement orientés selon un motif de réseau triangulaire. Chaque faisceau comporte une bobine acoustique, des jauges de contrainte et des flexions qui permettent au faisceau de changer sa longueur, de s’adapter à son environnement changeant en temps réel et d’interagir avec d’autres faisceaux du système.
La bobine mobile, qui tire son nom de son utilisation originale dans les haut-parleurs pour convertir les champs magnétiques en mouvement mécanique, initie la compression ou l’expansion affinée en réponse aux nouvelles forces placées sur le faisceau. La jauge de contrainte est responsable de la collecte des données du mouvement du faisceau utilisé dans l’algorithme pour contrôler le comportement d’apprentissage. Les flexions agissent essentiellement comme des joints flexibles entre les poutres mobiles pour connecter le système.
Un algorithme d’optimisation régule ensuite l’ensemble du système en prenant les données de chacune des jauges de contrainte et en déterminant une combinaison de valeurs de rigidité pour contrôler la manière dont le réseau doit s’adapter aux forces appliquées.
Afin de vérifier la validité du système contrôlé par jauge de contrainte, l’équipe de recherche a également utilisé des caméras entraînées sur les nœuds de sortie du système.
Photo d’un réseau de neurones mécaniques (MNN). Actuellement, le système a à peu près la taille d’un four à micro-ondes, mais les chercheurs prévoient de simplifier la conception du MNN afin que des milliers de réseaux puissent être fabriqués à l’échelle microscopique dans des réseaux 3D pour des applications matérielles pratiques. Crédit : Groupe de recherche flexible à l’UCLA
Les premiers prototypes du système présentaient un décalage entre l’entrée de la force appliquée et la sortie de la réponse MNN, ce qui affectait les performances globales du système. L’équipe a testé plusieurs itérations des jauges de contrainte et des flexions dans les poutres ainsi que différents modèles et épaisseurs de treillis avant de réaliser leur conception publiée qui a réussi à surmonter le décalage et à répartir avec précision la force appliquée dans toutes les directions.
« Identifier les raisons pour lesquelles [the networks] l’échec de l’apprentissage est important pour comprendre comment concevoir des MNN qui apprennent avec succès », les chercheurs ont expliqué comment ils ont résolu le problème par essais et erreurs au cours des cinq dernières années.
Actuellement, le système a à peu près la taille d’un four à micro-ondes, mais les chercheurs prévoient de simplifier la conception du MNN afin que des milliers de réseaux puissent être fabriqués à l’échelle microscopique dans des réseaux 3D pour des applications matérielles pratiques. En plus d’utiliser le matériau dans les véhicules et les matériaux de construction, les chercheurs suggèrent que les MNN pourraient également être incorporés dans une armure pour dévier les ondes de choc, ou dans les technologies d’imagerie acoustique pour exploiter les ondes sonores.
L’auteur principal de l’article, Ryan Lee, est étudiant au doctorat en génie mécanique et aérospatial et membre du groupe de recherche flexible de Hopkins à l’UCLA. Erwin Mulder de l’Université de Twente à Enschede, aux Pays-Bas, a également travaillé sur la recherche.
