🔬 condensed matter

Metamaterials that learn to change shape

Le document présente une nouvelle classe de métamatériaux qui utilisent un schéma d'apprentissage contrastif pour mettre à jour dynamiquement leurs rigidités locales, leur permettant d'apprendre, d'oublier et de maîtriser séquentiellement des comportements de changement de forme complexes, non réciproques et multistables pour des tâches physiques adaptatives telles que la préhension et la locomotion.

Auteurs originaux : Yao Du, Ryan van Mastrigt, Jonas Veenstra, Corentin Coulais

Publié 2026-09-11

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yao Du, Ryan van Mastrigt, Jonas Veenstra, Corentin Coulais

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Les êtres vivants sont des maîtres de l'adaptation. Une cellule change de forme pour se diviser ; un tissu se remodèle pour guérir ; un animal modifie sa posture pour naviguer dans un nouveau terrain. Cette capacité à apprendre et à changer de forme en réponse à l'environnement est une stratégie fondamentale de la vie. Pendant des décées, les scientifiques ont tenté de construire des matériaux synthétiques capables d'imiter cette flexibilité biologique. Ils ont créé des « métamatériaux » — des structures ingénieries conçues pour se plier, se tordre et se morpher de manières spécifiques. Ces matériaux ont montré des promesses dans des domaines allant de la médecine à l'architecture. Pourtant, une pièce cruciale du puzzle manquait. Bien que ces structures fabriquées par l'homme puissent être programmées pour prendre une forme, elles ne peuvent pas apprendre. Une fois construites, leur comportement est fixe. Elles ne peuvent pas observer un nouveau défi, ajuster leurs propriétés internes et trouver une nouvelle façon de bouger. Elles manquent de la capacité de s'adapter après leur fabrication.

Des chercheurs de l'Université d'Amsterdam et de ses partenaires ont désormais comblé cette lacune en créant des métamatériaux capables d'apprendre. Au lieu d'être câblés avec une fonction unique, ces nouveaux matériaux peuvent se voir montrer des exemples d'un mouvement souhaité, puis ajuster leur propre rigidité interne pour l'atteindre. L'équipe a construit une chaîne robotique composée de petites unités reliées par un squelette élastique. Chaque unité contient un moteur et un minuscule ordinateur capable de mesurer à quel point elle s'est pliée et de communiquer avec ses voisines. En appliquant une règle d'apprentissage spécifique, le matériau peut se voir montrer une forme cible, telle qu'une courbe ou une lettre, puis ajuster progressivement la rigidité de ses articulations jusqu'à ce qu'il puisse former cette forme de lui-même lorsqu'il est déclenché. Ce processus permet au matériau d'oublier d'anciennes formes et d'en apprendre de nouvelles, ou même d'apprendre à effectuer des mouvements complexes et non réversibles qui seraient impossibles pour un matériau standard.

Le cœur de cette découverte réside dans une méthode appelée apprentissage contrastif. Imaginez que vous tenez une chaîne flexible dans vos mains. Pour lui enseigner une forme, vous la laissez d'abord pendre librement pendant que vous poussez une extrémité selon un angle spécifique ; c'est l'« état libre ». Ensuite, vous maintenez l'extrémité poussée et la forme finale souhaitée en place ; c'est l'« état contraint ». Les ordinateurs internes du matériau comparent la différence entre la façon dont la chaîne s'est naturellement pliée lors de la première étape et la façon dont elle a été forcée de se plier lors de la seconde. Sur la base de cette différence, le matériau ajuste automatiquement la rigidité de ses articulations. Il rend les articulations plus rigides ou plus souples aux endroits appropriés afin que, la prochaine fois qu'il sera poussé, il se stabilise naturellement dans la forme souhaitée. Cela se produit sans qu'un cerveau central ne dise à chaque partie quoi faire ; chaque unité n'a besoin de connaître que son propre mouvement et le mouvement de son voisin immédiat.

Dans leurs expériences, les chercheurs ont démontré cela avec une chaîne de six unités. Ils ont montré au matériau comment former la lettre « U » en appliquant une poussée spécifique. Après seulement dix cycles de ce processus de comparaison et d'ajustement, le matériau a parfaitement appris la forme. Lorsqu'ils poussaient l'entrée à nouveau, la chaîne s'enroulait en un « U » sans aide extérieure. L'équipe a ensuite testé les limites de cette capacité d'apprentissage. Ils ont utilisé une chaîne plus longue de onze unités et lui ont appris à épeler le mot « LEARN », lettre par lettre. Remarquablement, le matériau pouvait oublier la lettre précédente et apprendre la suivante sans avoir besoin d'être réinitialisé ou reprogrammé à partir de zéro. Il mettait simplement à jour sa mémoire interne de rigidité pour accommoder la nouvelle forme.

Les chercheurs ont également exploré si cet apprentissage pouvait gérer des tâches plus complexes, telles que l'apprentissage de plusieurs formes à la fois ou l'exécution de mouvements qui brisent les règles habituelles de symétrie. Dans le monde physique, les forces travaillent souvent dans les deux sens : si vous poussez le point A pour déplacer le point B, pousser le point B déplace généralement le point A d'une manière prévisible et miroir. L'équipe a découvert qu'en introduisant un type spécial de rigidité « active » capable d'agir différemment selon la direction de la poussée, leur matériau pouvait briser cette symétrie. Ils ont entraîné une chaîne pour qu'elle s'enroule d'un côté lorsqu'elle est poussée de la gauche, mais qu'elle s'enroule de l'autre côté lorsqu'elle est poussée de la droite. Ce comportement non réciproque permettait au matériau d'apprendre plusieurs formes conflictuelles simultanément. Par exemple, la même chaîne pouvait être entraînée pour former la lettre « L » lorsqu'une unité spécifique est poussée, et la lettre « E » lorsqu'une autre unité est poussée, tout cela en même temps.

La découverte la plus surprenante fut peut-être que ces matériaux pouvaient apprendre à posséder plus d'une forme stable. Habituellement, si vous pliez un ressort et que vous le lâchez, il revient à sa position plate d'origine. Cependant, en ajustant les règles d'apprentissage pour permettre une rigidité négative dans certaines articulations, l'équipe a créé un matériau capable de se stabiliser dans deux formes différentes. Une fois poussé, il sautait vers une nouvelle configuration et y restait, même après que la poussée ait été retirée. Cette bistabilité a donné au matériau des capacités robotiques. Ils ont construit un petit préhenseur capable d'attraper automatiquement un objet en mouvement et de le tenir, puis de le relâcher d'un coup. Ils ont également créé une chaîne capable de marcher. En entraînant la chaîne à posséder quatre formes stables et en appliant une poussée rythmique simple à un seul joint, l'ensemble de la chaîne a commencé à ramper sur une table. La nature non réciproque de l'apprentissage a créé une boucle dans le mouvement du matériau, lui permettant d'avancer dans un cycle continu en utilisant un seul moteur.

Ces résultats suggèrent que les métamatériaux peuvent servir de plateforme puissante pour l'apprentissage physique, allant au-delà des conceptions statiques pour devenir des systèmes adaptatifs. Les chercheurs ont montré que cet apprentissage fonctionne même avec des règles simples et ne nécessite pas de capteurs de haute précision ou de processeurs complexes. Bien que les expériences actuelles aient été menées sur des chaînes plates en deux dimensions, les principes sont assez généraux pour être étendus à des structures en trois dimensions. La capacité d'oublier, de réapprendre et d'exécuter des mouvements complexes et non symétriques ouvre la voie à une nouvelle génération de matériaux adaptatifs et de robots mous qui peuvent faire évoluer leur comportement en temps réel, tout comme les organismes vivants qui les ont inspirés.

Résumé technique : Métamatériaux apprenant à changer de forme

Énoncé du problème
Les organismes vivants possèdent une capacité fondamentale à adapter et à faire évoluer leurs réponses de changement de forme grâce à des modifications locales de leurs composants. Bien que les métamatériaux synthétiques aient démontré avec succès des capacités avancées de morphisme de forme à diverses échelles (du micron au mètre), ils manquent généralement de la capacité d'apprendre. Les matériaux à mémoire de forme traditionnels peuvent être entraînés pour mémoriser un ou deux états statiques seulement, et la plupart des métamatériaux sont conçus « une fois pour toutes » sans la capacité de s'adapter à des conditions changeantes ou d'apprendre de nouveaux comportements après leur fabrication. Le défi central abordé dans ce travail est la création de matériaux synthétiques capables d'apprentissage physique — spécifiquement, la capacité d'apprendre, d'oublier et de réapprendre des réponses complexes de changement de forme en réponse à des entrées mécaniques.

Méthodologie
Les auteurs construisent un métamatériau robotique composé de $N$ unités connectées par un squelette élastique. Chaque unité est équipée d'une charnière motorisée capable d'exercer un couple et d'un microcontrôleur. Le système fonctionne sur une table à air à faible friction, permettant un mouvement libre.

Mécanisme de contrôle : La rigidité locale de chaque unité est ajustable via une boucle de rétroaction locale. Le couple $\tau_i$ appliqué à l'unité $i$ est régi par :
$\tau_i = -(k^o_i + k_e)\delta\theta_i - (k^p_{i-1} + k^a_{i-1})\delta\theta_{i-1} - (k^p_i - k^a_i)\delta\theta_{i+1}$
où $k^o_i$ est la rigidité sur site, $k^p_i$ est la rigidité voisine passive (symétrique), $k^a_i$ est la rigidité voisine active (anti-symétrique) et $k_e$ est la rigidité fixe du squelette. Les variables $\delta\theta_i$ représentent les déflexions angulaires.
Schéma d'apprentissage contrastif : Le système emploie un protocole d'apprentissage physique supervisé basé sur l'apprentissage contrastif. Les degrés de liberté d'apprentissage sont les rigidités ajustables ( $k^o, k^p, k^a$ ), tandis que les degrés de liberté physiques sont les déflexions angulaires. Le processus d'apprentissage implique deux états :
1. État Libre : Seules les déformations d'entrée ( $\delta\theta_I$ ) sont imposées.
2. État Fixé : Les déformations d'entrée et de sortie désirées ( $\delta\theta_O$ ) sont imposées.
Le système met à jour les paramètres de rigidité en utilisant une règle d'apprentissage locale dérivée du gradient de la différence entre une fonction $\psi$ évaluée dans les états fixé (C) et libre (F) :
$\frac{dk_i}{dt} = -\gamma \frac{\partial}{\partial k_i} (\psi^C - \psi^F)$
- Cas réciproque ( $k^a_i = 0$ ) : $\psi$ est l'énergie élastique. La règle d'apprentissage met à jour $k^o$ et $k^p$ en fonction de la différence entre les carrés des angles et les termes croisés entre les états.
- Cas non-réciproque ( $k^a_i \neq 0$ ) : Pour traiter les systèmes dépendants du chemin où les forces ne dérivent pas d'un potentiel scalaire, les auteurs définissent une fonction de travail dépendante du chemin $\psi$ qui inclut un terme anti-symétrique pondéré par un facteur de direction de chemin $\alpha_i$ . Cela permet l'apprentissage de réponses non-réciproques où la transmission de force n'est pas symétrique.
Multistabilité : Pour obtenir des configurations multistables, une contrainte de stabilité locale basée sur le théorème des cercles de Gershgorin est introduite. Cela modifie la règle d'apprentissage pour inclure un terme dirigeant la rigidité sur site $k^o_i$ vers une valeur prédéterminée $k^*$ , permettant au système d'apprendre des configurations instables (bistables) où l'état plat n'est plus un équilibre stable.

Résultats clés

Apprentissage séquentiel et oubli : Un métamatériau avec $N=6$ unités a réussi à apprendre à se transformer en une forme de « U » à partir d'une chaîne droite en réponse à une entrée spécifique. Crucialement, le système a démontré sa capacité à « oublier » cette forme et à apprendre séquentiellement de nouvelles formes (formant le mot « LEARN » avec $N=11$ ) sans réinitialisation.
Scalabilité : Des simulations numériques jusqu'à $N=10^3$ ont indiqué que si l'apprentissage devient plus difficile avec la taille du système en raison de la décroissance élastique, la scalabilité peut être maintenue en introduisant des interactions à longue portée ou des sorties multiples. La validation expérimentale avec un système de 48 unités a réussi à morpher en une forme de chat à l'aide de trois entrées.
Apprentissage non-réciproque : Les auteurs ont démontré que les métamatériaux réciproques ( $k^a_i=0$ ) échouent à apprendre les changements de forme qui brisent la symétrie entre les directions de chargement. En permettant des interactions non-réciproques ( $k^a_i \neq 0$ ) via la règle d'apprentissage dépendante du chemin, le métamatériau a appris avec succès des réponses non-réciproques (par exemple, une courbure positive à l'unité 2 causant une courbure positive à l'unité 5, mais une courbure positive à l'unité 5 causant une courbure négative à l'unité 2).
Apprentissage multi-cibles : La non-réciprocité a permis l'apprentissage simultané de plusieurs changements de forme incompatibles. Alors que les systèmes réciproques échouaient à apprendre plus d'une cible, les systèmes non-réciproques ont réussi à apprendre jusqu'à trois cibles (et quatre avec des interactions de type voisin le plus proche), permettant à un seul matériau de former différentes lettres (« LEREN ») selon les emplacements et les angles d'entrée.
Multistabilité et fonctionnalité robotique : En s'entraînant pour des valeurs de rigidité négatives, les métamatériaux ont appris des configurations bistables. Cette capacité a été utilisée pour créer :
- Préhenseur réflexe : Un dispositif qui attrape automatiquement un objet en mouvement lors du contact et le relâche/expulse lors d'une entrée spécifique, exploitant la nature bistable des unités.
- Locomotion : Une chaîne entraînée pour générer la lettre « M » avec quatre formes stables. Lorsqu'elle est pilotée par une seule unité avec un couple sinusoïdal, la combinaison de la multistabilité et de la non-réciprocité induit un changement de forme cyclique, entraînant une locomotion unidirectionnelle sur un substrat.

Signification et revendications
L'article établit les métamatériaux comme une plateforme viable pour l'apprentissage physique. Les auteurs affirment qu'en ajustant systématiquement les paramètres internes (degrés de liberté d'apprentissage) à l'aide de règles d'apprentissage locales, les matériaux synthétiques peuvent émuler les capacités d'adaptation et de changement de forme des organismes vivants.

La signification de ce travail réside dans :

Dépassement des limitations de conception : Passer des matériaux « conçus une fois » à des systèmes capables d'apprendre, d'oublier et de réapprendre des réponses complexes sur demande.
Généralisation de l'apprentissage physique : Démontrer que les schémas d'apprentissage physique peuvent se généraliser aux cas non conservateurs d'énergie (non-réciproques) et non linéaires (multistables), qui sont essentiels pour des fonctionnalités robotiques complexes.
Robotique émergente : Montrer que ces propriétés apprises permettent des comportements robotiques autonomes tels que la préhension réflexe et la locomotion sans algorithmes de contrôle externes complexes, en s'appuyant plutôt sur la mécanique intrinsèque apprise du matériau.

Les auteurs concluent que cette approche ouvre la voie aux matériaux adaptatifs et à la robotique distribuée, avec des avenues futures incluant l'extension vers des scénarios dynamiques/stochastiques et l'apprentissage non supervisé pour mieux émuler la matière vivante autonome.

Articles similaires