Metamaterials that learn to change shape
تُقدم الورقة البحثية فئة جديدة من المواد الخارقة التي تستخدم مخطط تعلم تبايني لتحديث صلاباتها المحلية ديناميكيًا، مما يمكنها من تعلم ونسيان وإتقان سلوكيات تغيير الشكل المعقدة وغير المتبادلة ومتعددة الاستقرار بشكل متسلسل لمهام فيزيائية تكيفية مثل القبض والتنقل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعد الكائنات الحية أساتذة في التكيف. فالخلية تغير شكلها لتنقسم؛ والنسيج يعيد تشكيل نفسه ليلتئم؛ والحيوان يغير وضعية جسده للتنقل في تضاريس جديدة. هذه القدرة على التعلم وتغيير الشكل استجابةً للبيئة هي استراتيجية أساسية للحياة. لعقود من الزمن، حاول العلماء بناء مواد اصطناعية تحاكي هذه المرونة البيولوجية، فابتكروا "المواد الخارقة" (metamaterials)—وهي هياكل هندسية مصممة للانحناء، والالتواء، والتحول بطرق محددة. وقد أظهرت هذه المواد وعوداً في مجالات تتراوح من الطب إلى الهندسة المعمارية. ومع ذلك، ظل جزء حيوي من اللغز مفقوداً؛ فبينما يمكن برمجة هذه الهياكل التي صنعها الإنسان لتتخذ شكلاً معيناً، إلا أنها لا تستطيع التعلم. فبمجرد بنائها، يصبح سلوكها ثابتاً، ولا يمكنها النظر إلى تحدٍ جديد، وتعديل خصائصها الداخلية، وإيجاد طريقة جديدة للحركة. إنها تفتقر إلى القدرة على التكيف بعد عملية التصنيع.
لقد نجح باحثون من جامعة أمستردام وشركائهم الآن في سد هذه الفجوة عبر ابتكار مواد خارقة يمكنها التعلم. فبدلاً من أن تكون مبرمجة مسبقاً بوظيفة واحدة، يمكن عرض أمثلة لحركة مرغوبة على هذه المواد الجديدة، ومن ثم تقوم بتعديل صلابتها الداخلية لتحقيقها. قام الفريق ببناء سلسلة روبوتية مكونة من وحدات صغيرة متصلة بهيكل مرن. تحتوي كل وحدة على محرك وجهاز كمبيوتر صغير يمكنه قياس مقدار انحنائه والتواصل مع جيرانه. ومن خلال تطبيق قاعدة تعلم محددة، يمكن إظهار شكل مستهدف للمادة، مثل منحنى أو حرف، ومن ثم تعديل صلابة مفاصلها تدريجياً حتى تتمكن من تشكيل ذلك الشكل بمفردها عند تحفيزها. تسمح هذه العملية للمادة بأن تنسى الأشكال القديمة وتتعلم أشكالاً جديدة، أو حتى تتعلم أداء حركات معقدة غير عكسية كان من المستحيل على مادة عادية القيام بها.
يكمن جوهر هذا الاكتشاف في طريقة تسمى "التعلم التبايني" (contrastive learning). تخيل أنك تمسك بسلسلة مرنة بين يديك. لتعليمها شكلاً ما، اتركها أولاً تتدلى بحرية بينما تدفع أحد طرفيها إلى زاوية معينة؛ هذه هي "الحالة الحرة". بعد ذلك، قم بتثبيت الطرف المدفوع والشكل النهائي المرغوب في مكانهما؛ هذه هي "الحالة المثبتة". تقارن الحواسيب الداخلية للمادة بين الفرق بين كيفية انحناء السلسلة بشكل طبيعي في الخطوة الأولى، وكيف أُجبرت على الانحناء في الخطوة الثانية. وبناءً على هذا الفرق، تقوم المادة تلقائياً بتعديل صلابة مفاصلها؛ فهي تجعل المفاصل أكثر صلابة أو أكثر ليونة في الأماكن المناسبة تماماً، بحيث تعود في المرة القادمة التي تُدفع فيها إلى الاستقرار بشكل طبيعي في الشكل المطلوب. يحدث هذا دون وجود دماغ مركزي يملي على كل جزء ما يجب فعله؛ إذ تحتاج كل وحدة فقط إلى معرفة حركتها الخاصة وحركة جارها المباشر.
في تجاربهم، استعرض الباحثون ذلك باستخدام سلسلة من ست وحدات. لقد أظهروا للمادة كيفية تشكيل حرف "U" عن طريق تطبيق دفعة محددة. وبعد عشر جولات فقط من عملية المقارنة والتعديل، تعلمت المادة الشكل بدقة. وعندما دفعوا المدخل مرة أخرى، انحنت السلسلة لتشكل حرف "U" دون أي مساعدة خارجية. ثم اختبر الفريق حدود هذه القدرة على التعلم، حيث استخدموا سلسلة أطول مكونة من إحدى عشرة وحدة وعلموها كتابة كلمة "LEARN" حرفاً بحرف. ومن المثير للدهشة أن المادة استطاعت نسيان الحرف السابق وتعلم الحرف التالي دون الحاجة إلى إعادة ضبطها أو إعادة برمجتها من الصفر؛ فقد قامت ببساطة بتحديث ذاكرتها الداخلية للصلابة لاستيعاب الشكل الجديد.
استكشف الباحثون أيضاً ما إذا كان هذا التعلم يمكنه التعامل مع مهام أكثر تعقيداً، مثل تعلم أشكال متعددة في وقت واحد أو أداء حركات تكسر قواعد التماثل المعتادة. في العالم المادي، غالباً ما تعمل القوى في اتجاهين: إذا دفعت النقطة (أ) لتحريك النقطة (ب)، فإن دفع النقطة (ب) سيؤدي عادةً إلى تحريك النقطة (أ) بطريقة متوقعة ومعاكسة. وجد الفريق أنه من خلال إدخال نوع خاص من الصلابة "النشطة" التي يمكن أن تعمل بشكل مختلف اعتماداً على اتجاه الدفع، استطاعت مادتهم كسر هذا التماثل. لقد دربوا سلسلة على الانحناء في اتجاه واحد عند دفعها من اليسار، ولكن الانحناء في الاتجاه المعاكس عند دفعها من اليمين. سمح هذا السلوك غير المتماثل (non-reciprocal) للمادة بتعلم أشكال متعددة ومتعارضة في آن واحد. فعلى سبيل المثال، يمكن لنفس السلسلة أن تُدرب لتشكل حرف "L" عند دفع وحدة معينة، وتشكل حرف "E" عند دفع وحدة أخرى، وكل ذلك في نفس الوقت.
ولعل الاكتشاف الأكثر إثارة للدهشة هو أن هذه المواد يمكنها تعلم امتلاك أكثر من شكل مستقر واحد. عادةً، إذا ثنيت زنبركاً ثم تركته، فإنه يعود إلى وضعه المسطح الأصلي. ومع ذلك، من خلال تعديل قواعد التعلم للسماح بوجود "صلابة سالبة" في بعض المفاصل، استطاع الفريق إنشاء مادة يمكنها الاستقرار في شكلين مستقرين مختلفين. فبمجرد دفعها، تقفز إلى تكوين جديد وتظل ثابتة عليه حتى بعد إزالة الدفعة. منحت هذه "الثنائية الاستقرار" (bistability) المادة قدرات روبوتية؛ حيث بنوا قابضاً صغيراً يمكنه الإمساك بجسم متحرك تلقائياً والإمساك به، ثم إطلاقه بضربة خفيفة. كما صنعوا سلسلة يمكنها المشي؛ فمن خلال تدريب السلسلة على امتلاك أربعة أشكال مستقرة وتطبيق دفعة إيقاعية بسيطة على مفصل واحد، بدأت السلسلة بأكملها بالزحف عبر الطاولة. خلقت الطبيعة غير المتماثلة للتعلم حلقة في حركة المادة، مما سمح لها بالتحرك للأمام في دورة مستمرة باستخدام محرك واحد فقط.
تشير هذه النتائج إلى أن المواد الخارقة يمكن أن تعمل كمنصة قوية للتعلم الفيزيائي، متجاوزة التصاميم الثابتة إلى الأنظمة التكيفية. لقد أظهر الباحثون أن هذا التعلم يعمل حتى مع القواعد البسيطة ولا يتطلب مستشعرات عالية الدقة أو معالجات معقدة. وبينما أجريت التجارب الحالية على سلاسل ثنائية الأبعاد مسطحة، فإن المبادئ عامة بما يكفي لتوسيعها لتشمل هياكل ثلاثية الأبعاد. إن القدرة على النسيان، وإعادة التعلم، وأداء حركات معقدة وغير متماثلة تفتح الباب أمام جيل جديد من المواد التكيفية والروبوتات اللينة التي يمكنها تطوير سلوكها في الوقت الفعلي، تماماً مثل الكائنات الحية التي استلهمت منها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.