In situ local learning of dynamic network materials
تقدم هذه الورقة إطار عمل للتعلم المحلي في الموقع للمواد الشبكية الديناميكية يستخدم محركات تابعة أمامية وعكسية زمنياً لتمكين النظام الفيزيائي من حساب التدرجات ذاتياً وتدريب معاملاته الميكانيكية الخاصة، مما يسمح للمادة باكتساب وظائف ديناميكية متنوعة مباشرة من المهام دون هياكل مصممة مسبقاً أو معرفة خبيرة.
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
لطالما نُظر إلى المادة على أنها مسرح سلبي تعمل عليه القوى، أو كأداة ثابتة صُممت لأداء وظيفة واحدة محددة. فالجسر يحمل الوزن؛ والنابض يخزن الطاقة؛ والعدسة تركز الضوء. وفي كل حالة، تكون الوظيفة مبرمجة مسبقاً في شكل المادة وتكوينها أثناء التصنيع. وإذا تغيرت البيئة أو ظهرت مهمة جديدة، فإن المادة لا تستطيع التكيف. وقد دفع هذا القصور اهتماماً متزايداً بنوع مختلف من المادة: مادة تتعلم. تماماً كما يعدل الدماغ البيولوجي روابطه للتعرف على وجه أو صوت، يستكشف الباحثون ما إذا كان يمكن ضبط الروابط والكتل الفيزيائية داخل المادة لأداء مهام معقدة، بدءاً من إخفاء الأجسام عن الموجات وصولاً إلى فرز الأصوات، ببساطة عبر تجربة نوع معين من التغذية الراجعة. هذا النهج يعامل المادة ليس كمنتج نهائي، بل كنظام قادر على اكتساب الذكاء من خلال حركته الخاصة.
لقد أظهر فريق من الباحثين في جامعة ميشيغان الآن طريقة لتعليم هذه المواد الديناميكية وظائف جديدة عبر تطبيق بروتوكول فيزيائي محدد يتكون من خطوتين. فقد طوروا طريقة تسمى "التعلم المحلي في الموقع" (in situ local learning)، والتي تسمح لشبكة فيزيائية من النوابض والكتل بحساب أخطائها وتعديل خصائصها الداخلية مباشرة داخل النظام الفيزيائي. وبدلاً من الاعتماد على "توأم رقمي" ليخبر المادة بكيفية التغيير، استخدم الباحثون المادة نفسها لحساب التعديلات اللازمة. تتضمن العملية مرحلتين متمايزتين من الحركة؛ أولاً، يتم تحريك المادة بواسطة إشارة مدخلة، مثل الاهتزاز أو القوة، ويتم قياس استجابتها. وإذا لم تكن الاستجابة هي المطلوبة، يتم توليد إشارة خطأ. ثم تُسجل هذه الإشارة، وتُعكس زمنياً، وتُغذى مرة أخرى في نفس الشبكة الفيزيائية كإشارة ثانية تعمل في الاتجاه المعاكس. ومن خلال مراقبة كيفية تفاعل المادة مع هذا الخطأ المعكوس زمنياً، يمكن للنظام تحديد أي الروابط الداخلية تحتاج بالضبط إلى التقوية أو الإضعاف لتحسين أدائه.
تكمن روعة هذه الطريقة في بساطتها ومحليتها. فلا يحتاج الباحثون إلى قياس الحالة الكاملة للشبكة أو إجراء حسابات معقدة في حاسوب مركزي. بدلاً من ذلك، يحتاج كل نابض وكتلة فردية فقط إلى معرفة القوى والحركات التي تحدث بجوارها مباشرة. فعندما تلتقي الإشارة الأمامية وإشارة الخطأ المعكوسة زمنياً، تتفاعلان محلياً لإنتاج "تدرج" (gradient)، وهو اتجاه رياضي يخبر كل جزء من الشبكة ما إذا كان يجب أن يصبح أكثر صلابة، أو أثقل، أو أكثر مقاومة للحركة. وهذا يسمح للمادة بتحديث صلابتها، وكتلتها، واحتكاكها الداخلي في آن واحد، مما يعني "تعلم" سلوك جديد عبر ديناميكياتها الفيزيائية الخاصة. اختبر الباحثون هذا الإطار على شبكة غير منتظمة من العقد والروابط الميكانيكية، وهي بنية قد تبدو مثل شبكة متشابكة من النوابض والأوزان، وأظهروا أنها تستطيع إتقان أربع مهام مختلفة تماماً بمجرد تغيير تعريف النتيجة المنشودة.
في العرض الأول، تعلمت المادة كيف تعمل كعباءة (غطاء) للموجات. حيث وُضع عائق صلب وثقيل في منتصف الشبكة، وهي سمة من شأنها أن تشتت الموجات القادمة وتخلق فوضى عارمة في اتجاه المصب. وضع الباحثون هدفاً للمادة: جعل الموجات التي تمر عبر العائق تبدو تماماً كما لو أن العائق غير موجود على الإطلاق. ومن خلال تطبيق الإشارة الأمامية والخلفية بشكل متكرر، عدلت الشبكة صلابة وكتلة النوابض المحيطة بالعائق. وكانت النتيجة عباءة واسعة النطاق تعمل عبر مجموعة من الترددات، حيث قللت من بصمة التشتت وسمحت للموجات بالتدفق حول العائق كما لو كان غير مرئي. ولم يتحقق ذلك باتباع مخطط مكتوب مسبقاً، بل باكتشاف المادة للتكوين الضروري من خلال التجربة والخطأ، مسترشدة فقط بإشارة الخطأ.
تطلبت المهمة الثانية من المادة القيام بعمل يستحيل عادةً على العدسات العادية القيام به: وهو رؤية التفاصيل الدقيقة لجسم أصغر من الطول الموجي للموجة المستخدمة لرؤيته. في الفيزياء القياسية، تُحمل هذه التفاصيل الدقيقة بواسطة موجات "متلاشية" (evanescent waves)، والتي تتلاشى بسرعة كبيرة ولا تصل أبداً إلى كاشف بعيد. قام الباحثون بتدريب الشبكة لتعمل كعدسة يمكنها التقاط هذه المعلومات المتلاشية ونقلها إلى مستوى الصورة. تعلمت المادة التلاعب بالبنية القريبة للمجال الموجي، والحفاظ على التفاصيل عالية التردد التي تتلاشى عادةً. وعند اختبارها بأشكال حروف مختلفة، نجحت الشبكة المدربة في إعادة بناء الصور، مما أثبت أنها تعلمت كيفية تسخير الأجزاء المتلاشية من المجال الموجي لإنشاء صورة واضحة.
أظهر المثال الثالث أن المادة يمكنها تعلم استخدام الاحتكاك، أو التخميد (damping)، لصالحها. ففي معظم الأنظمة الميكانيكية، يُنظر إلى التخميد كعائق يستنزف الطاقة ويوقف الحركة. أما هنا، فقد طلب الباحثون من الشبكة القيام بالعكس: استخدام كمية ثابتة من التخميد لخلق دفعة حركة قوية وحادة في لحظة معينة. ومن خلال إعادة توزيع الاحتكاك عبر الشبكة، تعلمت المادة تنظيم اهتزازاتها الداخلية بحيث تتداخل بناءً، مما يخلق نبضة عابرة قوية عند المخرج. لم يكن هذا التعزيز ممكناً باستخدام التخميد المنتظم أو القياسي، مما يثبت أن المادة تعلمت طريقة متطورة وغير تقليدية لإدارة تبديد الطاقة لتحقيق هدف محدد.
أخيراً، طبق الباحثون نفس قاعدة التعلم على مهمة تشبه تعلم الآلة: وهي تصنيف الأصوات. قاموا بتغذية الشبكة بموجات صوتية لثلاثة أصوات مختلفة من الحروف المتحركة (vowels) وطلبوا منها فرزها إلى ثلاث فئات. لم تكن الشبكة مبرمجة بقواعد علم الصوتيات أو معالجة الإشارات، بل طُلب منها ببساسة تحديد المنطقة المخرجة التي يجب أن تضيء لكل صوت. ومن خلال عملية التعلم المحلي نفسها، عدلت المادة بارامتراتها الداخلية للتعرف على الأنماط الزمنية الفريدة لكل حرف متحرك. ونجحت في توجيه طاقة الصوت الصحيح إلى قناة المخرج الصحيحة، محققة دقة عالية في التمييز بين الحروف. أظهر هذا أن النظام الفيزيائي نفسه يمكن أن يعمل كمصنف، يعالج البيانات المعتمدة على الزمن ويتخذ قرارات بناءً على حالته الداخلية المتعلمة.
تشير هذه النتائج إلى نموذج جديد لكيفية تصميم واستخدام المواد. فبدلاً من هندسة هيكل معين لوظيفة محددة، يمكننا تزويد المادة بقاعدة تعلم وهدف، وتركها لتجد الحل بنفسها. يجسد هذا الإطار الفجوة بين المواد الفيزيائية والذكاء الاصطناعي، موضحاً أن قوانين الفيزياء يمكن استخدامها لإجراء عمليات حسابية وتعلم مباشرة في الأجهزة (hardware). المادة لا تستجيب للعالم فحسب، بل تتعلم منه. وبينما تعتمد العروض الحالية على مبادئ الانتشار العكسي الفيزيائي التي يمكن تنفيذها في الأجهزة الحقيقية، فإن هذا النهج يفتح طريقاً لمواد يمكنها التكيف مع البيئات المتغيرة، أو إصلاح وظائفها بنفسها، أو اكتساب مهارات جديدة بعد بنائها. إن القدرة على تعلم الاستجابات الزمنية في الموقع تعني أن الجيل القادم من المواد الذكية قد لا يتم برمجته من قبل المهندسين فحسب، بل قد يتعلم كيف يبرمج نفسه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.