In situ local learning of dynamic network materials

Materie wurde lange Zeit als eine passive Bühne betrachtet, auf der Kräfte wirken, oder als ein statisches Werkzeug, das gebaut wurde, um eine einzige, feste Aufgabe zu erfüllen. Eine Brücke hält Gewicht; eine Feder speichert Energie; eine Linse fokussiert Licht. In jedem Fall ist die Funktion während der Herstellung fest in die Form und Zusammensetzung des Materials programmiert. Wenn sich die Umgebung ändert oder eine neue Aufgabe entsteht, kann das Material sich nicht anpassen. Diese Einschränkung hat das wachsende Interesse an einer anderen Art von Materie geweckt: einer, die lernt. Genau wie ein biologisches Gehirn seine Verbindungen anpasst, um ein Gesicht oder ein Geräusch zu erkennen, erforschen Forscher, ob die physikalischen Bindungen und Massen innerhalb eines Materials so abgestimmt werden könnten, dass sie komplexe Aufgaben ausführen – vom Verbergen von Objekten vor Wellen bis hin zum Sortieren von Klängen – indem sie einfach die richtige Art von Feedback erfahren. Dieser Ansatz betrachtet das Material nicht als fertiges Produkt, sondern als ein System, das durch seine eigene Bewegung Intelligenz erwerben kann.

Ein Forschungsteam der University of Michigan hat nun einen Weg demonstriert, wie man diese dynamischen Materialien lehren kann, neue Funktionen zu erlernen, indem man ein spezifisches zweistufiges physikalisches Protokoll anwendt. Sie entwickelten eine Methode namens „in situ lokales Lernen“, die es einem physischen Netzwerk aus Federn und Massen ermöglicht, seine eigenen Fehler zu berechnen und seine internen Eigenschaften direkt innerhalb des physischen Systems anzupassen. Anstatt sich auf einen digitalen Zwilling zu verlassen, der dem Material sagen muss, wie es sich ändern soll, nutzen die Forscher das Material selbst, um die notwendigen Anpassungen zu berechnen. Der Prozess umfasst zwei unterschiedliche Bewegungsphasen. Zuerst wird das Material durch ein Eingangssignal, wie etwa eine Vibration oder eine Kraft, angetrieben, und seine Reaktion wird gemessen. Wenn die Reaktion nicht der gewünschten entspricht, wird ein Fehlersignal generiert. Dieser Fehler wird dann aufgezeichnet, in der Zeit umgekehrt und als ein zweites, rückwärts gerichtetes Antriebssignal in dasselbe physikalische Netzwerk eingespeist. Durch die Beobachtung, wie das Material auf diesen zeitumkehrten Fehler reagiert, kann das System genau identifizieren, welche internen Verbindungen gestärkt oder geschwächt werden müssen, um seine Leistung zu verbessern.

Die Schönheit dieser Methode liegt in ihrer Einfachheit und Lokalität. Die Forscher müssen nicht den gesamten Zustand des Netzwerks messen oder komplexe Berechnungen in einem zentralen Computer durchführen. Stattdessen muss jede einzelne Feder und Masse nur über die Kräfte und Bewegungen Bescheid wissen, die unmittelbar neben ihr stattfinden. Wenn das Vorwärtssignal und das zeitumkehrte Fehlersignal aufeinandertreffen, interagieren sie lokal, um einen Gradienten zu erzeugen – eine mathematische Richtung, die jedem Teil des Netzwerks mitteilt, ob es steifer, schwerer oder widerstandsfähiger gegen Bewegung werden soll. Dies ermöglicht es dem Material, seine Steifigkeit, Masse und interne Reibung gleichzeitig zu aktualisieren und so effektiv durch seine eigene physikalische Dynamik ein neues Verhalten zu „lernen“. Die Forscher testeten diesen Rahmen an einem ungeordneten Netzwerk von mechanischen Knoten und Bindungen – einer Struktur, die wie ein verheddertes Netz aus Federn und Gewichten aussehen mag – und zeigten, dass es vier sehr unterschiedliche Aufgaben meistern konnte, indem lediglich die Definition des gewünschten Ergebnisses geändert wurde.

In der ersten Demonstration lernte das Material, als Tarnkappe für Wellen zu fungieren. Ein steifes, schweres Hindernis wurde in die Mitte des Netzwerks platelt – ein Merkmal, das normalerweise eingehende Wellen streuen und im Nachlauf ein chaotisches Durcheinander verursachen würde. Die Forscher setzten ein Ziel für das Material: Das Material sollte die Wellen so passieren lassen, als ob das Hindernis überhaupt nicht vorhanden wäre. Durch wiederholtes Anwenden der Vorwärts- und Rückwärtssignale passte das Netzwerk die Steifigkeit und Masse der Federn um das Hindernis herum an. Das Ergebnis war eine Breitband-Tarnkappe, die über einen Bereich von Frequenzen hinweg funktionierte, die Streuung unterdrückte und es den Wellen ermöglichte, an dem Hindernis vorbeizufließen, als wäre es unsichtbar. Dies wurde nicht durch das Befolgen eines vorgegebenen Bauplans erreicht, sondern dadurch, dass das Material die notwendige Konfiguration durch Versuch und Irrtum entdeckte, geleitet nur durch das Fehlersignal.

Die zweite Aufgabe erforderte, dass das Material eine Leistung erbrachte, die für gewöhnliche Linsen unmöglich ist: die feinen Details eines Objekts zu sehen, die kleiner sind als die Wellenlänge der zur Beobachtung verwendeten Welle. In der Standardphysik werden diese winzigen Details durch „evaneszente“ Wellen getragen, die fast sofort abklingen und einen entfernten Detektor nie erreichen. Die Forscher trainierten das Netzwerk so, dass es als Linse fungiert, die diese abklingenden Informationen erfassen und zu einer Bildebene transportieren kann. Das Material lernte, die Nahfeldstruktur der Wellen zu manipulieren und so die hochfrequenten Details zu bewahren, die normalerweise verschwinden. Bei Tests mit verschiedenen Buchstabenformen rekonstruierte das trainierte Netzwerk die Bilder erfolgreich, was bewies, dass es gelernt hatte, die unsichtbaren, abklingenden Teile des Wellenfeldes zu nutzen, um ein klares Bild zu erzeugen.

Das dritte Beispiel zeigte, dass das Material lernen konnte, Reibung oder Dämpfung zu seinem Vorteil zu nutzen. In den meisten mechanischen Systemen wird Dämpfung als störend angesehen, da sie Energie entzieht und die Bewegung stoppt. Hier forderten die Forscher das Netzwerk auf, das Gegenteil zu tun: eine feste Menge an Damping zu nutzen, um in einem bestimmten Moment einen großen, scharfen Impuls der Bewegung zu erzeugen. Durch die Umverteilung der Reibung über das Netzwerk lernte das Material, seine internen Vibrationen so zu organisieren, dass sie konstruktiv interferieren und so einen kraftvollen transienten Peak am Ausgang erzeugen. Diese Verstärkung war mit gleichmäßiger oder standardmäßiger Dämpfung nicht möglich, was bewies, dass das Material eine anspruchsvolle, nicht-standardmäßige Methode gelernt hatte, um Energiedissipation zu steuern, um ein bestimmtes Ziel zu erreichen.

Schließlich wandten die Forscher dieselbe Lernregel auf eine Aufgabe an, die dem maschinellen Lernen ähnelt: der Klassifizierung von Klängen. Sie speisten die Audio-Wellenformen von drei verschiedenen Vokallauten in das Netzwerk ein und baten es, diese in drei Kategorien zu sortieren. Das Netzwerk war nicht mit den Regeln der Phonetik oder Signalverarbeitung programmiert worden. Stattdessen wurde ihm lediglich gesagt, welcher Ausgangsbereich für jeden Klang aufleuchten sollte. Durch denselben lokalen Lernprozess passte das Material seine internen Parameter an, um die einzigartigen zeitlichen Muster jedes Vokals zu erkennen. Es lernte erfolgreich, die Energie des korrekten Klangs in den richtigen Ausgangskanal zu leiten, und erreichte eine hohe Genauigkeit bei der Unterscheidung der Vokale. Dies demonstrierte, dass dasselbe physikalische System als Klassifizierer fungieren konnte, indem es zeitabhängige Daten verarbeitet und Entscheidungen basierend auf seinem gelernten internen Zustand trifft.

Diese Ergebnisse deuten auf ein neues Paradigma für die Gestaltung und Nutzung von Materialien hin. Anstatt ein spezifisches Material für eine spezifische Aufgabe zu konstruen, können wir einem Material eine Lernregel und ein Ziel vorgeben und es die Lösung selbst finden lassen. Der Rahmen überbrückt die Lücke zwischen physikalischen Materialien und künstlicher Intelligenz und zeigt, dass die Gesetze der Physik genutzt werden können, um Berechnungen und Lernen direkt in der Hardware durchzuführen. Das Material reagiert nicht nur auf die Welt; es lernt von ihr. Während die aktuellen Demonstrationen auf den Prinzipien der physikalischen Backpropagation beruhen, die in echter Hardware implementiert werden können, bietet der Ansatz einen Weg zu Materialien, die sich an wechselnde Umgebungen anpassen, ihre Funktionen selbst reparieren oder neue Fähigkeiten erwerben können, nachdem sie gebaut wurden. Die Fähigkeit, zeitliche Antworten in situ zu lernen, bedeutet, dass die nächste Generation smarter Materialien nicht nur von Ingenieuren programmiert werden könnte, sondern lernen könnte, sich selbst zu programmieren.