🔬 condensed matter

Metamaterials that learn to change shape

El artículo introduce una nueva clase de metamateriales que utilizan un esquema de aprendizaje contrastivo para actualizar dinámicamente sus rigideces locales, permitiéndoles aprender, olvidar y dominar secuencialmente comportamientos complejos de cambio de forma, no recíprocos y multiestables para tareas físicas adaptativas como el agarre y la locomoción.

Autores originales: Yao Du, Ryan van Mastrigt, Jonas Veenstra, Corentin Coulais

Publicado 2026-09-11

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yao Du, Ryan van Mastrigt, Jonas Veenstra, Corentin Coulais

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los seres vivos son maestros de la adaptación. Una célula cambia su forma para dividirse; un tejido se reforma para sanar; un animal altera su postura para navegar por un nuevo terreno. Esta capacidad de aprender y cambiar de forma en respuesta al entorno es una estrategia fundamental de la vida. Durante décadas, los científicos han intentado construir materiales sintéticos que imiten esta flexibilidad biológica. Han creado "metamateriales": estructuras diseñadas para doblarse, retorcerse y transformarse de formas específicas. Estos materiales han mostrado promesa en campos que van desde la medicina hasta la arquitectura. Sin embargo, faltaba una pieza crucial del rompecabezas. Aunque estas estructuras creadas por el hombre pueden ser programadas para adoptar una forma, no pueden aprender. Una vez construidos, su comportamiento es fijo. No pueden observar un nuevo desafío, ajustar sus propiedades internas y hallar una nueva forma de moverse. Carecen de la capacidad de adaptarse después de haber sido fabricados.

Investigadores de la Universidad de Ámsterdam y sus socios han cerrado esta brecha al crear metamateriales que pueden aprender. En lugar de estar preprogramados con una única función, estos nuevos materiales pueden recibir ejemplos de un movimiento deseado y luego ajustar su propia rigidez interna para lograrlo. El equipo construyó una cadena robótica compuesta por pequeñas unidades conectadas por un esqueleto elástico. Cada unidad contiene un motor y una diminuta computadora que puede medir cuánto se ha doblado y comunicarse con sus vecinas. Al aplicar una regla de aprendizaje específica, se le puede mostrar al material una forma objetivo, como una curva o una letra, y luego ajustar gradualmente la rigidez de sus articulaciones hasta que pueda formar esa forma por sí misma cuando se active. Este proceso permite que el material olvide formas antiguas y aprenda nuevas, o incluso aprenda a realizar movimientos complejos y no reversibles que serían imposibles para un material estándar.

El núcleo de este descubrimiento reside en un método llamado aprendizaje contrastivo. Imagine que sostiene una cadena flexible en sus manos. Para enseñarle una forma, primero deja que cuelgue libremente mientras empuja un extremo hacia un ángulo específico; este es el "estado libre". Luego, sujeta tanto el extremo empujado como la forma final deseada en su lugar; este es el "estado de sujeción". Las computadoras internas del material comparan la diferencia entre cómo se dobló la cadena naturalmente en el primer paso y cómo se dobló forzadamente en el segundo. Basándose en esta diferencia, el material ajusta automáticamente la rigidez de sus articulaciones. Hace que las articulaciones sean más rígidas o más blandas en los lugares precisos para que, la próxima vez que se le empuje, se asiente naturalmente en la forma deseada. Esto sucede sin que un cerebro central le diga a cada parte qué hacer; cada unidad solo necesita saber sobre su propio movimiento y el movimiento de su vecino inmediato.

En sus experimentos, los investigadores demostraron esto con una cadena de seis unidades. Le mostraron al material cómo formar la letra "U" aplicando un empuje específico. Tras solo diez rondas de este proceso de comparación y ajuste, el material aprendió la forma perfectamente. Cuando volvieron a empujar la entrada, la cadena se curvó en forma de "U" sin ayuda externa. El equipo luego puso a prueba los límites de esta capacidad de aprendizaje. Utilizaron una cadena más larga de once unidades y le enseñaron a deletrear la palabra "LEARN", letra por letra. Sorprendentemente, el material pudo olvidar la letra anterior y aprender la siguiente sin necesidad de ser reiniciado o reprogramado desde cero. Simplemente actualizó su memoria interna de rigidez para acomodar la nueva forma.

Los investigadores también exploraron si este aprendizaje podía manejar tareas más complejas, como aprender múltiples formas a la vez o realizar movimientos que rompan las reglas habituales de simetría. En el mundo físico, las fuerzas suelen actuar en ambos sentidos: si empujas el punto A para mover el punto B, empujar el punto B suele mover el punto A de una manera predecible y espejada. El equipo descubrió que, al introducir un tipo especial de rigidez "activa" que pudiera actuar de forma distinta según la dirección del empuje, su material podía romper esta simetría. Entrenaron una cadena para que se curvara hacia un lado cuando se empujara desde la izquierda, pero que se curvara en el sentido opuesto cuando se empujara desde la derecha. Este comportamiento no recíproco permitió al material aprender múltiples formas conflictivas simultáneamente. Por ejemplo, la misma cadena podía ser entrenada para formar la letra "L" cuando se empujaba una unidad específica, y la letra "E" cuando se empujaba una unidad diferente, todo al mismo tiempo.

Quizás el hallazgo más sorprendente fue que estos materiales podían aprender a tener más de una forma estable. Normalmente, si doblas un resorte y lo sueltas, vuelve a su posición plana original. Sin embargo, al ajustar las reglas de aprendizaje para permitir una rigidez negativa en ciertas articulaciones, el equipo creó un material que podía asentarse en dos formas estables diferentes. Una vez empujado, el material saltaba a una nueva configuración y permanecía allí, incluso después de retirar el empuje. Esta bistabilidad otorgó al material capacidades robóticas. Construyeron una pequeña pinza que podía atrapar automáticamente un objeto en movimiento y sostenerlo, para luego liberarlo con un golpe. También crearon una cadena que podía caminar. Al entrenar a la cadena para que tuviera cuatro formas estables y aplicar un empuje rítmico simple a una sola articulación, la cadena entera comenzó a gatear por una mesa. La naturaleza no recíproca del aprendizaje creó un ciclo en el movimiento del material, permitiéndole avanzar en un ciclo continuo usando un solo motor.

Estos hallazgos sugieren que los metamateriales pueden servir como una plataforma poderosa para el aprendizaje físico, yendo más allá de los diseños estáticos hacia sistemas adaptativos. Los investigadores demostraron que este aprendizaje funciona incluso con reglas simples y no requiere sensores de alta precisión o procesadores complejos. Si bien los experimentos actuales se realizaron en cadenas planas de dos dimensiones, los principios son lo suficientemente generales como para extenderse a estructuras tridimensionales. La capacidad de olvidar, reaprender y realizar movimientos complejos y no simétricos abre la puerta a una nueva generación de materiales adaptativos y robots blandos que pueden evolucionar su comportamiento en tiempo real, de forma muy similar a los organismos vivos que los inspiraron.

Resumen Técnico: Metamateriales que aprenden a cambiar de forma

Planteamiento del problema
Los organismos vivos poseen una capacidad fundamental para adaptar y evolucionar sus respuestas de cambio de forma mediante modificaciones locales de sus componentes. Si bien los metamateriales sintéticos han demostrado con éxito capacidades avanzadas de cambio de forma en diversas escalas (desde micras hasta metros), normalmente carecen de la capacidad de aprender. Los materiales tradicionales con memoria de forma pueden ser entrenados para memorizar solo uno o dos estados estáticos, y la mayoría de los metamateriales se diseñan "una vez y para siempre", sin la capacidad de adaptar su respuesta mecánica ante condiciones cambiantes o de aprender nuevos comportamientos tras su fabricación. El desafío central abordado en este trabajo es la creación de materiales sintéticos capaces de aprendizaje físico; específicamente, la capacidad de aprender, olvidar y reaprender respuestas complejas de cambio de forma en respuesta a estímulos mecánicos.

Metodología
Los autores construyen un metamaterial robótico compuesto por $N$ unidades conectadas por un esqueleto elástico. Cada unidad está equipada con una bisagra motorizada capaz de ejercer torque y un microcontrolador. El sistema opera sobre una mesa de aire de baja fricción, lo que permite el movimiento libre.

Mecanismo de control: La rigidez local de cada unidad es ajustable mediante un bucle de retroalimentación local. El torque $\tau_i$ aplicado a la unidad $i$ se rige por:
$\tau_i = -(k^o_i + k_e)\delta\theta_i - (k^p_{i-1} + k^a_{i-1})\delta\theta_{i-1} - (k^p_i - k^a_i)\delta\theta_{i+1}$
donde $k^o_i$ es la rigidez local, $k^p_i$ es la rigidez de vecindad pasiva (simétrica), $k^a_i$ es la rigidez de vecindad activa (antisimétrica) y $k_e$ es la rigidez fija del esqueleto. Las variables $\delta\theta_i$ representan las deflexiones angulares.
Esquema de aprendizaje contrastivo: El sistema emplea un protocolo de aprendizaje físico supervisado basado en el aprendizaje contrastivo. Los grados de libertad de aprendizaje son las rigideces ajustables ( $k^o, k^p, k^a$ ), mientras que los grados de libertad físicos son las deflexiones angulares. El proceso de aprendizaje involucra dos estados:
1. Estado Libre: Solo se imponen deformaciones de entrada ( $\delta\theta_I$ ).
2. Estado Bloqueado: Se imponen tanto las deformaciones de entrada como las de salida deseadas ( $\delta\theta_O$ ).
El sistema actualiza los parámetros de rigidez utilizando una regla de aprendizaje local derivada del gradiente de la diferencia entre una función $\psi$ evaluada en los estados bloqueado (C) y libre (F):
$\frac{dk_i}{dt} = -\gamma \frac{\partial}{\partial k_i} (\psi^C - \psi^F)$
- Caso Recíproco ( $k^a_i = 0$ ): $\psi$ es la energía elástica. La regla de aprendizaje actualiza $k^o$ y $k^p$ basándose en la diferencia de los cuadrados de los ángulos y los términos cruzados entre estados.
- Caso No Recíproco ( $k^a_i \neq 0$ ): Para manejar sistemas dependientes de la trayectoria donde las fuerzas no derivan de un potencial escalar, los autores definen una función de trabajo dependiente de la trayectoria $\psi$ que incluye un término antisimétrico ponderado por un factor de dirección de trayectoria $\alpha_i$ . Esto permite el aprendizaje de respuestas no recíprocas donde la transmisión de fuerza no es simétrica.
Multiestabilidad: Para lograr configuraciones multiestables, se introduce una restricción de estabilidad local basada en el teorema de los círculos de Gershgorin. Esto modifica la regla de aprendizaje para incluir un término que impulsa la rigidez local $k^o_i$ hacia un valor predeterminado $k^*$ , permitiendo que el sistema aprenda configuraciones inestables (biestables) donde el estado plano ya no es un equilibrio estable.

Resultos Clave

Aprendizaje Secuencial y Olvido: Un metamaterial con $N=6$ unidades aprendió con éxito transformarse en una forma de "U" a partir de una cadena recta en respuesta a una entrada específica. Crucialmente, el sistema demostró la capacidad de "olvidar" esta forma y aprender secuencialmente nuevas formas (formando la palabra "LEARN" con $N=11$ ) sin reinicialización.
Escalabilidad: Simulaciones numéricas hasta $N=10^3$ indicaron que, si bien el aprendizaje se vuelve más difícil con el tamaño del sistema debido al decaimiento elástico, la escalabilidad puede mantenerse introduciendo interacciones de largo alcance o múltiples salidas. La validación experimental con un sistema de 48 unidades logró transformarse exitosamente en la forma de un gato mediante tres entradas.
Aprendizaje No Recíproco: Los autores demostraron que los metamateriales recíprocos ( $k^a_i=0$ ) fallan al intentar aprender cambios de forma que rompen la simetría entre las direcciones de carga. Al habilitar interacciones no recíprocas ( $k^a_i \neq 0$ ) mediante la regla de aprendizaje dependiente de la trayectoria, el metamaterial aprendió con éxito respuestas no recíprocas (por ejemplo, una curvatura positiva en la unidad 2 provoca una curvatura positiva en la unidad 5, pero una curvatura positiva en la unidad 5 provoca una curvatura negativa en la unidad 2).
Aprendizaje de Múltiples Objetivos: La no reciprocidad permitió el aprendizaje simultáneo de múltiples cambios de forma incompatibles. Mientras que los sistemas recíprocos fallaron al intentar aprender más de un objetivo, los sistemas no recíprocos aprendieron con éxito hasta tres objetivos (y cuatro con interacciones de vecino más cercano), permitiendo que un solo material forme diferentes letras ("LEREN") basándose en diferentes ubicaciones y ángulos de entrada.
Multiestabilidad y Funcionalidad Robótica: Al entrenar para valores de rigidez negativos, los metamateriales aprendieron configuraciones biestables. Esta capacidad se utilizó para crear:
- Pinza de Reflejo: Un dispositivo que atrapa automáticamente un objeto en movimiento al contacto y lo suelta/expulsa mediante una entrada específica, aprovechando la naturaleza biestable de las unidades.
- Locomoción: Una cadena entrenada para generar la letra "M" con cuatro formas estables. Al ser impulsada por una sola unidad con un torque senoidal, la combinación de multiestabilidad y no reciprocidad indujo un cambio de forma cíclico, resultando en una locomoción unidireccional sobre un sustrato.

Significancia y Reivindicaciones
El artículo establece a los metamateriales como una plataforma viable para el aprendizaje físico. Los autores afirman que, al ajustar sistemáticamente los parámetros internos (grados de libertad de aprendizaje) mediante reglas de aprendizaje locales, los materiales sintéticos pueden emular las capacidades adaptativas de cambio de forma de los organismos vivos.

La significancia de este trabajo radica en:

Superar las Limitaciones de Diseño: Ir más allá de los materiales de "diseño único" hacia sistemas que pueden aprender, olvidar y reaprender respuestas complejas bajo demanda.
Generalización del Aprendizaje Físico: Demostrar que los esquemas de aprendizaje físico pueden generalizarse a casos que no conservan la energía (no recíprocos) y no lineales (multiestables), los cuales son esenciales para funciones robóticas complejas.
Robótica Emergente: Mostrar cómo estas propiedades aprendidas permiten comportamientos robóticos autónomos, tales como la captura por reflejo y la locomoción, sin necesidad de algoritmos de control externos complejos, apoyándose en la mecánica intrínseca aprendida del material.

Los autores concluyen que este enfoque allana el camino para materiales adaptativos y robótica distribuida, con vías futuras que incluyen la extensión hacia escenarios dinámicos/estocásticos y el aprendizaje no supervisado para emular aún más la materia viva autónoma.

Más como este