Metamaterials that learn to change shape
यह शोध पत्र मेटा-मटेरियल्स (metamaterials) के एक नए वर्ग को प्रस्तुत करता है जो अपनी स्थानीय कठोरता (local stiffnesses) को गतिशील रूप से अपडेट करने के लिए एक कंट्रास्टिव लर्निंग स्कीम (contrastive learning scheme) का उपयोग करते हैं, जिससे वे ग्रिपिंग (gripping) और लोकोमोशन (locomotion) जैसे अनुकूली भौतिक कार्यों के लिए जटिल, गैर-पारस्परिक (non-reciprocal) और बहु-स्थिर (multistable) आकार-परिवर्तन व्यवहारों को सीखने, भूलने और क्रमिक रूप से महारत हासिल करने में सक्षम होते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
जीवित प्राणी अनुकूलन के उस्ताद होते हैं। एक कोशिका विभाजित होने के लिए अपना रूप बदलती है; एक ऊतक स्वयं को ठीक करने के लिए नया आकार देता है; एक जानवर नए इलाके में आगे बढ़ने के लिए अपनी मुद्रा बदलता है। वातावरण के जवाब में सीखने और आकार बदलने की यह क्षमता जीवन की एक मौलिक रणनीति है। दशकों से, वैज्ञानिक ऐसे कृत्रिम पदार्थ बनाने की कोशिश कर रहे हैं जो इस जैविक लचीलेपन की नकल कर सकें। उन्होंने "मेटा-मटेरियल्स" (metamaterials) बनाए हैं—इंजीनियर की गई ऐसी संरचनाएं जिन्हें विशिष्ट तरीकों से मुड़ने, घूमने और आकार बदलने के लिए डिज़ाइन किया गया है। इन सामग्रियों ने चिकित्सा से लेकर वास्तुकला तक के क्षेत्रों में आशाजनक परिणाम दिखाए हैं। फिर भी, पहेली का एक महत्वपूर्ण हिस्सा गायब था। हालांकि ये मानव-निर्मित संरचनाएं एक आकार लेने के लिए प्रोग्राम की जा सकती हैं, लेकिन वे सीख नहीं सकतीं। एक बार बनने के बाद, उनका व्यवहार स्थिर हो जाता है। वे किसी नई चुनौती को देख नहीं सकते, अपने आंतरिक गुणों को समायोजित नहीं कर सकते और आगे बढ़ने का एक नया तरीका नहीं खोज सकते। उनमें बनने के बाद अनुकूलित होने की क्षमता का अभाव है।
एम्स्टर्डम विश्वविद्यालय और उनके सहयोगियों ने अब ऐसे मेटा-मटेरियल्स बनाकर इस अंतर को पाट दिया है जो सीख सकते हैं। एक एकल कार्य के साथ हार्ड-वायर्ड होने के बजाय, ये नई सामग्रियां वांछित गति का उदाहरण देख सकती हैं और फिर उसे प्राप्त करने के लिए अपने आंतरिक कड़ापन (stiffness) को समायोजित कर सकती हैं। टीम ने एक रोबोटिक श्रृंखला बनाई जो एक लचीले कंकाल से जुड़े छोटे इकाइयों से बनी है। प्रत्येक इकाई में एक मोटर और एक छोटा कंप्यूटर होता है जो यह माप सकता है कि वह कितना मुड़ा है और अपने पड़ोसियों से संवाद कर सकता है। एक विशिष्ट शिक्षण नियम लागू करके, सामग्री को एक लक्षित आकार दिखाया जा सकता है, जैसे कि एक वक्र या एक अक्षर, और फिर यह अपने जोड़ों के कड़ापन को धीरे-धीरे तब तक बदल सकती है जब तक कि वह ट्रिगर होने पर अपने आप उस आकार को बना सके। यह प्रक्रिया सामग्री को पुराने आकारों को भूलने और नए आकार सीखने, या यहाँ तक कि जटिल, गैर-प्रतिवर्ती (non-reversible) गतियां करने में सक्षम बनाती है जो एक मानक सामग्री के लिए असंभव होती हैं।
इस खोज का मूल आधार 'कॉन्ट्रास्टिव लर्निंग' (contrastive learning) नामक एक विधि है। कल्पना कीजिए कि आपने अपने हाथों में एक लचीली श्रृंखला पकड़ी हुई है। इसे एक आकार सिखाने के लिए, पहले आप इसे स्वतंत्र रूप से लटकने देते हैं जबकि आप एक सिरे को एक विशिष्ट कोण पर धकेलते हैं; यह "मुक्त अवस्था" (free state) है। फिर, आप धकेले गए सिरे और वांछित अंतिम आकार दोनों को अपनी जगह पर थामे रखते हैं; यह "क्लैम्प्ड अवस्था" (clamped state) है। सामग्री के आंतरिक कंप्यूटर इस बात की तुलना करते हैं कि श्रृंखला स्वाभाविक रूप से पहले चरण में कैसे मुड़ी थी और दूसरे चरण में उसे कैसे मजबूर किया गया था। इस अंतर के आधार पर, सामग्री स्वचालित रूप से अपने जोड़ों के कड़ापन को समायोजित करती है। यह जोड़ों को बिल्कुल सही स्थानों पर सख्त या नरम बनाती है ताकि अगली बार धकेलने पर, वह स्वाभाविक रूप से वांछित आकार में सेट हो जाए। यह बिना किसी केंद्रीय मस्तिष्क के होता है जो हर हिस्से को निर्देश दे, प्रत्येक इकाई को केवल अपनी गति और अपने निकटतम पड़ोसी की गति के बारे में जानने की आवश्यकता होती है।
अपने प्रयोगों में, शोधकर्ताओं ने इसे छह इकाइयों वाली एक श्रृंखला के साथ प्रदर्शित किया। उन्होंने सामग्री को एक विशिष्ट धक्का देकर "U" अक्षर बनाने का तरीका दिखाया। तुलना और समायोजन की इस प्रक्रिया के मात्र दस दौरों के बाद, सामग्री ने उस आकार को पूरी तरह से सीख लिया। जब उन्होंने इनपुट को फिर से धकेला, तो श्रृंखला बिना किसी बाहरी मदद के "U" में मुड़ गई। टीम ने इस सीखने की क्षमता की सीमाओं का परीक्षण किया। उन्होंने ग्यारह इकाइयों वाली एक लंबी श्रृंखला का उपयोग किया और उसे एक-एक करके अक्षर जोड़कर "LEARN" शब्द लिखना सिखाया। उल्लेखनीय रूप से, सामग्री पिछले अक्षर को भूल सकती थी और बिना किसी रीसेट या पुन: प्रोग्रामिंग के अगले अक्षर को सीख सकती थी। इसने बस नए आकार को समायोजित करने के लिए अपने आंतरिक कड़ापन की स्मृति को अपडेट किया।
शोधकर्ताओं ने यह भी पता लगाया कि क्या यह सीखना अधिक जटिल कार्यों को संभाल सकता है, जैसे कि एक साथ कई आकार सीखना या समरूपता (symmetry) के सामान्य नियमों को तोड़ने वाली गतियां करना। भौतिक दुनिया में, बल अक्सर दोनों दिशाओं में काम करते हैं: यदि आप बिंदु A को धकेलते हैं ताकि बिंदु B हिले, तो बिंदु B को धकेलना आमतौर पर बिंदु A को एक अनुमानित, दर्पण जैसी दिशा में हिलाता है। टीम ने पाया कि एक विशेष प्रकार के "सक्रिय" (active) कड़ापन को पेश करके, जो धक्का देने की दिशा के आधार पर अलग तरह से कार्य कर सकता है, उनकी सामग्री इस समरूपता को तोड़ सकती है। उन्होंने एक श्रृंखला को प्रशिक्षित किया कि वह बाईं ओर से धकेलने पर एक तरफ मुड़े, लेकिन दाईं ओर से धकेलने पर विपरीत दिशा में मुड़े। इस गैर-पारस्परिक (non-reciprocal) व्यवहार ने सामग्री को एक ही समय में कई, परस्पर विरोधी आकार सीखने की अनुमति दी। उदाहरण के लिए, वही श्रृंखला एक विशिष्ट इकाई को धकेलने पर "L" अक्षर बना सकती है, और दूसरी इकाई को धकेलने पर "E" अक्षर बना सकती है, और यह सब एक साथ हो सकता है।
शायद सबसे आश्चर्यजनक खोज यह थी कि ये सामग्रियां एक से अधिक स्थिर आकार सीख सकती हैं। आमतौर पर, यदि आप एक स्प्रिंग को मोड़ते हैं और छोड़ देते हैं, तो वह अपनी मूल सपाट स्थिति में वापस आ जाता है। हालाँकि, कुछ जोड़ों में नकारात्मक कड़ापन (negative stiffness) की अनुमति देने के लिए शिक्षण नियमों को समायोजित करके, टीम ने एक ऐसी सामग्री बनाई जो दो अलग-अलग स्थिर आकारों में सेट हो सकती है। धकेले जाने पर, यह एक नए विन्यास (configuration) में कूद जाएगी और वहां रहेगी, धक्का हटाने के बाद भी। इस द्वि-स्थिरता (bistability) ने सामग्री को रोबोटिक क्षमताएं प्रदान कीं। उन्होंने एक छोटा ग्रिपर बनाया जो स्वचालित रूप से चलती हुई वस्तु को पकड़ सकता है और उसे थाम सकता है, और फिर एक झटके के साथ छोड़ सकता है। उन्होंने एक ऐसी श्रृंखला भी बनाई जो चल सकती है। श्रृंखला को चार स्थिर आकार रखने के लिए प्रशिक्षित करके और एक एकल जोड़ पर एक सरल, लयबद्ध धक्का लगाकर, पूरी श्रृंखला मेज पर रेंगने लगी। सामग्री की गैर-पारस्परिक प्रकृति ने उसकी गति में एक लूप बना दिया, जिससे वह केवल एक मोटर का उपयोग करके निरंतर चक्र में आगे बढ़ सकी।
ये निष्कर्ष बताते हैं कि मेटा-मटेरियल्स भौतिक शिक्षण के लिए एक शक्तिशाली मंच के रूप में कार्य कर सकते हैं, जो स्थिर डिजाइनों से आगे बढ़कर अनुकूलन योग्य प्रणालियों की ओर बढ़ते हैं। शोधकर्ताओं ने दिखाया कि यह शिक्षण सरल नियमों के साथ भी काम करता है और इसके लिए उच्च-परिशुद्धता सेंसर या जटिल प्रोसेसर की आवश्यकता नहीं होती है। हालांकि वर्तमान प्रयोग द्वि-आयामी (2D) श्रृंखलाओं पर किए गए थे, लेकिन सिद्धांत इतने सामान्य हैं कि उन्हें त्रि-आयामी (3D) संरचनाओं तक बढ़ाया जा सकता है। भूलने, पुनः सीखने और जटिल, गैर-सममित गतियां करने की क्षमता अनुकूलित सामग्रियों और सॉफ्ट रोबोट्स की एक नई पीढ़ी के द्वार खोलती है जो वास्तविक समय में अपने व्यवहार को विकसित कर सकते हैं, ठीक वैसे ही जैसे कि उन्हें प्रेरित करने वाले जीवित जीव।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।