Stellen Sie sich eine Welt vor, in der die Dinge um Sie herum nicht nur tote Materie sind, sondern eine Ansammlung winziger, gesprächiger Roboter, die zusammenklicken, loslassen und sich in alles Mögliche verwandeln können, von einer Brücke bis hin zu einem Stuhl. Dies ist der Traum von „programmierbarer Materie“. Denken Sie an eine digitale Version von magnetischen Bausteinen eines Kindes, aber diese Blöcke sind intelligent. Sie können mit ihren Nachbarn kommunizieren, entscheiden, wohin sie sich bewegen, und die Form des gesamten Objekts im Handumdrehen verändern. Aber es gibt einen Haken: Wenn diese kleinen Roboter etwas bauen, das zu hoch, zu einseitig oder zu schwach ist, könnte die Schwerkraft gewinnen. Die gesamte Struktur könnte umkippen oder die winzigen Magnete, die sie zusammenhalten, könnten aufreißen. Bevor wir diese formverändernden Maschinen haben können, die Brücken bauen oder bei Katastrophen helfen, müssen wir ihnen eine sehr wichtige Lektion beibringen: „Fall nicht um.“ Wir müssen sie in Echtzeit wissen lassen, ob ihre aktuelle Form sicher ist oder ob sie kurz vor dem Absturz steht.

Dieses Paper befasst sich genau mit diesem Problem. Die Forscher, die mit einem Team am FEMTO-ST Institute zusammenarbeiten, haben eine Reihe von „Selbsterkennungs“-Algorithmen entwickelt. Diese sind wie eine Gruppe winziger, verteilter Gehirnzellen, die es einem Schwarm modularer Roboter ermöglichen, ihre eigene mechanische Stabilität zu überprüfen, ohne dass ein riesiger Supercomputer ihnen sagen muss, was zu tun ist. Anstatt dass ein zentraler Chef jede Kraft berechnet, arbeiten die Roboter zusammen wie ein Team von Feuerwehrleuten, die Eimer in einer Schlange weiterreichen. Sie prüfen zwei Hauptdinge: Erstens, ist das Ganze ausbalanciert, damit es nicht umkippt? Zweitens, sind die einzelnen Verbindungen stark genug, um das Gewicht zu halten, oder werden sie auseinandergleiten oder abdrehen? Das Team hat diese Ideen an echten, physischen würfelförmigen Robotern namens „Blinky Blocks“ und in einer Computersimulation mit winzigen kugelförmigen Robotern namens „3D Catoms“ getestet. Sie fanden heraus, dass ihre Methode gut funktioniert und instabile Strukturen sowie potenzielle Bruchstellen in komplexen, geschleiften Formen erfolgreich erkennt.

Die Geschichte des selbstprüfenden Schwarms

Das Problem: Der wackelige Turm
Stellen Sie sich vor, Sie und hundert Freunde halten sich an den Händen, um eine riesige Menschenkette zu bilden. Wenn Sie alle in einer geraden Linie stehen, ist alles in Ordnung. Aber wenn Sie versuchen, eine Pyramide zu bauen, müssen die Menschen am Boden viel Gewicht tragen. Wenn die Person ganz oben zu weit nach links lehnt, könnte die ganze Pyramide umkippen. Nun stellen Sie sich vor, Sie können nicht mit der Person an der Spitze sprechen; Sie können nur mit der Person direkt neben Ihnen flüstern. Woher wissen Sie, ob die Pyramide sicher ist?

Das ist die Herausforderung für programmierbare Materie. Diese Roboter sind modular, was bedeutet, dass sie aus vielen kleinen, identischen Einheiten bestehen. Wenn sie sich verbinden, bilden sie ein einziges, kohärentes System. Aber genau wie bei einem Türmchen aus Bauklötzen: Wenn der Schwerpunkt (der Punkt, an dem das gesamte Gewicht ausbalanciert ist) außerhalb des Bereichs liegt, der den Boden berührt, kippt das Ganze um. Schlimmer noch: Die magnetischen oder mechanischen „Hände“, die sie zusammenhalten, sind vielleicht nicht stark genug, um ein Gleiten oder Verdrehen zu verhindern.

Der alte Weg vs. der neue Weg
In der Vergangenheit versuchten Ingenieure, dies zu lösen, indem sie einen „Anführer“-Roboter beauftragten, jeden anderen Roboter nach seiner Position und seinem Gewicht zu fragen und dann die gesamte Mathematik in einem großen Gehirn zu berechnen. Aber das ist langsam und erfordert viel Speicherplatz, so als würde man versuchen, ein riesiges Puzzle zu lösen, indem man jedes einzelne Teil bittet, ein Foto von sich selbst an die Zentrale zu senden. Das sind zu viele Daten für winzige Roboter.

Die Autoren dieses Papers schlagen einen klügeren, verteilteren Ansatz vor. Sie behandeln den Schwarm von Robotern wie einen Stammbaum. Ein Roboter ist die „Wurzel“ (der Anführer), und die anderen sind Zweige und Blätter. Sie verwenden eine „Spanning Tree“-Struktur (aufgespannten Baum), was nur eine schicke Art ist zu sagen, dass sie einen einzigen, nicht kreisförmigen Pfad erstellen, der alle mit dem Anführer verbindet.

Die zweistufige Sicherheitsprüfung

Das Paper führt zwei Hauptalgorithmen ein, die auf dieser Baumstruktur laufen:

1. Die Balance-Prüfung (Wird es umkippen?):
   Stellen Sie sich vor, die Roboter reichen eine Nachricht den Baum hinauf. Jeder Roboter sagt seinem „Elternteil“: „Ich wiege so viel und stehe hier.“ Der Elternteil addiert sein eigenes Gewicht und seine Position zur Summe und reicht sie weiter nach oben. Bis die Nachricht den Anführer erreicht, weiß der Anführer das exakte Massenzentrum der gesamten Struktur. Der Anführer zeichnet dann ein unsichtbares „Stützpolygon“ auf den Boden (die Form, die durch alle Punkte gebildet wird, die den Boden berühren). Wenn das Massenzentrum innerhalb dieser Form liegt, ist die Struktur balanciert. Wenn es außerhalb liegt, ist die Struktur unausgewogen und wird umkippen. Das Paper zeigt, dass dies sehr schnell erfolgen kann, wobei jeder Roboter nur ein paar Nachrichten senden muss.

2. Die Bruchprüfung (Lassen die Hände los?):
   Dies ist der komplexere Teil. Selbst wenn der Turm nicht umkippt, könnten die Magnete, die die Blöcke zusammenhalten, aufreißen. Die Forscher identifizierten vier Arten, wie eine Verbindung versagen kann:

• Vertikales Gleiten: Der Block gleitet gerade nach oben oder unten.
• Rotationsgleiten: Der Block dreht sich um den Verbindungspunkt.
• Rotationelles Ablösen (Vertikal): Der Block löst sich wie eine Tür, die an einem Scharnier aufschwingt.
• Rotationelles Ablösen (Horizontal): Der Block verdreht sich seitlich ab.

Um dies zu prüfen, nutzen die Roboter eine ähnliche Baum-Weitergabe-Methode. Sie berechnen die Kräfte und Momente (Drehmomente), die auf jede Verbindung wirken. Sie vergleichen diese mit der Stärke der Magnete oder Verriegelungen. Wenn die Kraft, die versucht, den Block auseinanderzuziehen, stärker ist als der Griff des Magneten, markiert der Roboter dies als Bruchrisiko.

Der Umgang mit Schleifen: Das „Viele-Wege-Problem“
Reale Strukturen haben oft Schleifen (wie einen Ring oder ein Quadrat), was die Idee des „Baums“ schwierig macht, da es mehrere Wege gibt, um von einem Roboter zum anderen zu gelangen. Die Lösung der Autoren ist clever: Sie generieren alle möglichen Baumpfade durch die Schleifen und prüfen die Stabilität für jeden einzelnen. Wenn irgendeiner dieser Pfade ein Bruchrisiko anzeigt, gilt die Struktur als unsicher. Es ist wie die Überprüfung einer Brücke, indem man jeden möglichen Weg testet, den ein Auto nehmen könnte, um zu sehen, ob einer von ihnen einen Einsturz verursachen würde.

Die Experimente: Reale Roboter und virtuelle Welten
Das Team hat den Code nicht nur geschrieben; sie haben ihn getestet.

• Reale Roboter: Sie verwendeten „Blinky Blocks“, 41 mm große kubische Roboter mit Magneten. Sie bauten physische Strukturen, darunter einen Tisch mit nur einem Bein (der korrekt umkippte) und einen Tisch mit vier Beinen (der stabil stand). Sie bauten auch eine Brücke über einen „Fluss“ (eine Lücke im Boden) und fügten temporäre Gewichte hinzu, um sie während des Baus stabil zu halten.
• Simulation: Sie verwendeten einen Simulator namens VisibleSim, um „3D Catoms“ zu testen, winzige 3,9 mm große kugelförmige Roboter, die anstelle von Magneten elektrostatische Kräfte (statische Elektrizität) nutzen, um aneinander zu haften. Sie simulierten komplexe Formen, einschließlich Schleifen, um zu sehen, ob der Algorithmus Instabilitäten erkennen kann.

Die Ergebnisse
Die Experimente zeigten, dass die verteilten Algorithmen funktionieren.

• In der realen Welt identifizierten die Blinky Blocks erfolgreich instabile Tische und Brücken. Wenn ein Roboter ein Bruchrisiko feststellte, leuchtete er in einer spezifischen Farbe auf (orange, blau, rot oder lila), um genau anzuzeigen, welche Art von Ausfall vorhergesagt wurde.
• In der Simulation identifizierten auch die 3D Catoms korrekterweise instabile Konfigurationen. Die Forscher merkten an, dass die elektrostatische Kraft der Catoms recht schwach ist (etwa 0,0188 Newton), was sie anfälliger für Brüche macht, und der Algorithmus erfasste dies.

Was das bedeutet
Das Paper kommt zu dem Schluss, dass diese Algorithmen eine zuverlässige Methode sind, damit modulare Roboter ihre eigene Stabilität „fühlen“ können. Sie sind schnell, benötigen sehr wenig Speicher und funktionieren bei verschiedenen Arten von Robotern (Würfel und Kugeln) mit unterschiedlichen Verbindungsmethoden (Magnete und statische Elektrizität).

Die Autoren sind jedoch vorsichtig darauf hinzuweisen, was sie noch nicht getan haben. Sie haben dies noch nicht in die eigentliche Planung integriert, wie die Roboter sich bewegen, um eine Form zu bauen; momentan ist es eine Prüfung, die man nach oder während des Baus durchführt. Sie haben auch noch keine dynamischen Kräfte wie Vibrationen oder Auswirkungen durch zu schnelle Bewegungen berücksichtigt. Aber diese Arbeit legt den Grundstein für eine Zukunft, in der programmierbare Materie sich selbst sicher bauen kann, indem sie genau weiß, wann sie aufhören und wann sie eine Verbindung verstärken muss, bevor sie auseinanderfällt.