Metamaterials that learn to change shape
Das Papier stellt eine neue Klasse von Metamaterialien vor, die ein kontrastives Lernverfahren nutzen, um ihre lokalen Steifigkeiten dynamisch zu aktualisieren, wodurch sie in der Lage sind, komplexe, nicht-reziproke und multistabile Formveränderungsverhaltensweisen für adaptive physische Aufgaben wie Greifen und Fortbewegung zu lernen, zu vergessen und sequenziell zu meistern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Lebewesen sind Meister der Anpassung. Eine Zelle verändert ihre Form, um sich zu teilen; ein Gewebe formt sich um, um zu heilen; ein Tier verändert seine Körperhaltung, um ein neues Gelände zu durchqueren. Diese Fähigkeit, zu lernen und die Form als Reaktion auf die Umgebung zu verändern, ist eine grundlegende Überlebensstrategie des Lebens. Jahrzehntelang haben Wissenschaftler versucht, synthetische Materialien zu entwickeln, die diese biologische Flexibilität nachahmen. Sie haben „Metamaterialien“ geschaffen – konstruierte Strukturen, die darauf ausgelegt sind, sich auf spezifische Weise zu biegen, zu verdrehen und zu verformen. Diese Materialien haben vielversprechende Ergebnisse in Bereichen gezeigt, die von der Medizin bis zur Architektur reichen. Doch ein entscheidendes Puzzleteil hat gefehlt. Während diese menschengemachten Strukturen darauf programmiert werden können, eine bestimmte Form anzunehmen, können sie nicht lernen. Einmal gebaut, ist ihr Verhalten festgelegt. Sie können sich keiner neuen Herausforderung stellen, ihre internen Eigenschaften anpassen und einen neuen Weg finden, sich zu bewegen. Ihnen fehlt die Fähigkeit, sich nach ihrer Herstellung anzupassen.
Forscher der Universität Amsterdam und ihrer Partner haben diese Lücke nun geschlossen, indem sie Metamaterialien entwickelt haben, die lernen können. Anstatt mit einer einzigen Funktion fest verdrahtet zu sein, können diese neuen Materialien anhand von Beispielen einer gewünschten Bewegung gelehrt werden und dann ihre eigene interne Steifigkeit anpassen, um diese zu erreichen. Das Team baute eine Roboter-Kette aus kleinen Einheiten, die durch ein elastisches Skelett verbunden sind. Jede Einheit enthält einen Motor und einen winzigen Computer, der messen kann, wie stark sie sich gebogen hat, und mit ihren Nachbarn kommunizieren kann. Durch Anwendung einer spezifischen Lernregel kann das Material eine Zielform gezeigt bekommen, wie etwa eine Kurve oder einen Buchstaben, und dann schrittweise die Steifigkeit seiner Gelenke so lange anpassen, bis es in der Lage ist, diese Form von selbst einzunehmen, wenn es ausgelöst wird. Dieser Prozess ermöglicht es dem Material, alte Formen zu vergessen und neue zu lernen oder sogar komplexe, nicht-reversible Bewegungen zu erlernen, die für ein Standardmaterial unmöglich wären.
Der Kern dieser Entdeckung liegt in einer Methode namens kontrastives Lernen. Stellen Sie sich vor, Sie halten eine flexible Kette in Ihren Händen. Um ihr eine Form beizubringen, lassen Sie sie zuerst frei hängen, während Sie ein Ende in einen bestimmten Winkel drücken; dies ist der „freie Zustand“. Dann halten Sie sowohl das gedrückte Ende als auch die gewünschte Endform an ihrem Platz; dies ist der „geklemmte Zustand“. Die internen Computer des Materials vergleichen den Unterschied zwischen der Art und Weise, wie sich die Kette im ersten Schritt natürlich gebogen hat, und wie sie im zweiten Schritt erzwungen wurde. Basierend auf diesem Unterschied passt das Material automatisch die Steifigkeit seiner Gelenke an. Es macht die Gelenke genau an den richtigen Stellen steifer oder weicher, sodass die Kette das nächste Mal, wenn sie gedrückt wird, ganz natürlich in die gewünschte Form gleitet. Dies geschieht, ohne dass ein zentrales Gehirn jedem Teil vorschreibt, was zu tun ist; jede Einheit muss nur über ihre eigene Bewegung und die Bewegung ihres unmittelbaren Nachbarn Bescheid wissen.
In ihren Experimenten demonstrierten die Forscher dies mit einer Kette aus sechs Einheiten. Sie zeigten dem Material, wie es durch einen gezielten Druck die Form eines „U“ annimmt. Nach nur zehn Runden dieses Vergleichs- und Anpassungsprozesses lernte das Material die Form perfekt. Als sie den Input erneut ausführten, krümmte sich die Kette ohne externe Hilfe zu einem „U“. Das Team testete dann die Grenzen dieser Lernfähigkeit. Sie verwendeten eine längere Kette von elf Einheiten und brachten sie bei, Buchstabe für Buchstabe das Wort „LEARN“ zu buchstabieren. Bemerkenswerterweise konnte das Material den vorherigen Buchstaben vergessen und den nächsten lernen, ohne dass es von Grund auf neu zurückgesetzt oder umprogrammiert werden musste. Es aktualisierte einfach sein internes Gedächtnis der Steifigkeit, um die neue Form unterzubringen.
Die Forscher untersuchten auch, ob dieses Lernen komplexere Aufgaben bewältigen kann, wie etwa das gleichzeitige Erlernen mehrerer Formen oder das Ausführen von Bewegungen, die die üblichen Regeln der Symmetrie brechen. In der physischen Welt wirken Kräfte oft in beide Richtungen: Wenn man Punkt A drückt, um Punkt B zu bewegen, bewegt das Drücken von Punkt B meist auch Punkt A auf eine vorhersehbare, gespiegelte Weise. Das Team fand heraus, dass ihr Material durch die Einführung einer speziellen Art von „aktiver“ Steifigkeit, die je nach Richtung des Drucks unterschiedlich wirken kann, diese Symmetrie brechen kann. Sie trainierten eine Kette so, dass sie sich beim Drücken von links nach innen krümmt, aber beim Drücken von rechts nach außen krümmt. Dieses nicht-reziproke Verhalten ermöglichte es dem Material, gleichzeitig mehrere, widersprüchliche Formen zu erlernen. Beispielsweise konnte dieselbe Kette trainiert werden, sich in Form eines „L“ zu krümmen, wenn eine bestimmte Einheit gedrückt wird, und in Form eines „E“, wenn eine andere Einheit gedrückt wird – und das alles gleichzeitig.
Die überraschendste Erkenntnis war vielleicht, dass diese Materialien lernen konnten, mehr als eine stabile Form zu besitzen. Normalerweise, wenn man eine Feder biegt und loslässt, schnellt sie in ihre ursprüngliche flache Position zurück. Indem das Team jedoch die Lernregeln so anpasste, dass in bestimmten Gelenken eine negative Steifigkeit zugelassen wurde, schuf es ein Material, das sich in zwei verschiedene stabile Formen einpendeln konnte. Sobald es gedrückt wurde, sprang es in eine neue Konfiguration und blieb dort, selbst nachdem der Druck entfernt wurde. Diese Bistabilität verlieh dem Material roboterhafte Fähigkeiten. Sie bauten einen kleinen Greifer, der automatisch ein bewegliches Objekt fangen und halten kann, um es dann mit einem Stoß wieder loszulassen. Sie entwickelten auch eine Kette, die laufen konnte. Indem sie die Kette darauf trainierten, vier stabile Formen zu besitzen, und einen einfachen, rhythmischen Druck auf ein einzelnes Glied anwendeten, begann die gesamte Kette über einen Tisch zu kriechen. Die nicht-reziproke Natur des Lernens erzeugte eine Schleife in der Bewegung des Materials, was es dem Material ermöglichte, sich mithilfe eines einzigen Motors in einem kontinuierlichen Zyklus vorwärts zu bewegen.
Diese Ergebnisse legen nahe, dass Metamaterialien als leistungsstarke Plattform für physisches Lernen dienen können, das über statische Designs hinausgeht und hin zu adaptiven Systemen führt. Die Forscher zeigten, dass dieses Lernen selbst mit einfachen Regeln funktioniert und keine hochpräzisen Sensoren oder komplexen Prozessoren erfordert. Während die aktuellen Experimente an flachen, zweidimensionalen Ketten durchgeführt wurden, sind die Prinzipien allgemein genug, um auf dreidimensionale Strukturen übertragen zu werden. Die Fähigkeit zu vergessen, neu zu lernen und komplexe, nicht-symmetrische Bewegungen auszuführen, öffnet die Tür zu einer neuen Generation adaptiver Materialien und Soft-Roboter, die ihr Verhalten in Echtzeit entwickeln können, ganz ähnlich den lebenden Organismen, die sie inspiriert haben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.