🔬 condensed matter

Metamaterials that learn to change shape

Il documento introduce una nuova classe di metamateriali che utilizzano uno schema di apprendimento contrastivo per aggiornare dinamicamente le loro rigidezze locali, consentendo loro di apprendere, dimenticare e padroneggiare sequenzialmente comportamenti complessi, non reciproci e multistabili di cambiamento di forma per compiti fisici adattivi come la presa e la locomozione.

Autori originali: Yao Du, Ryan van Mastrigt, Jonas Veenstra, Corentin Coulais

Pubblicato 2026-09-11

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Yao Du, Ryan van Mastrigt, Jonas Veenstra, Corentin Coulais

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Gli esseri viventi sono maestri dell'adattamento. Una cellula cambia la sua forma per dividersi; un tessuto si rimodella per guarire; un animale altera la propria postura per navigare in un nuovo terreno. Questa capacità di apprendere e cambiare forma in risposta all'ambiente è una strategia fondamentale della vita. Per decenni, gli scienziati hanno cercato di costruire materiali sintetici che imitassero questa flessibilità biologica. Hanno creato i "metamateriali" — strutture ingegnerizzate progettate per piegarsi, torcersi e mutare in modi specifici. Questi materiali hanno mostrato potenziale in campi che vanno dalla medicina all'architettura. Eppure, un tassello cruciale del puzzle mancava. Sebbene queste strutture create dall'uomo possano essere programmate per assumere una forma, non possono apprendere. Una volta costruiti, il loro comportamento è fisso. Non possono osservare una nuova sfida, regolare le proprie proprietà interne e trovare un nuovo modo per muoversi. Mancano della capacità di adattarsi dopo la loro creazione.

Ricercatori dell'Università di Amsterdam e dei suoi partner hanno ora colmato questa lacuna creando metamateriali capaci di apprendere. Invece di essere cablati con una singola funzione, questi nuovi materiali possono ricevere esempi di un movimento desiderato e poi regolare la propria rigidità interna per ottenerlo. Il team ha costruito una catena robotica composta da piccole unità collegate da uno scheletro elastico. Ogni unità contiene un motore e un minuscolo computer che può misurare quanto si è piegata e comunicare con i propri vicini. Applicando una specifica regola di apprendimento, al materiale può essere mostrata una forma target, come una curva o una lettera, e poi può regolare gradualmente la rigidità dei suoi giunti finché non riesce a formare quella forma da sola quando viene attivato. Questo processo permette al materiale di dimenticare vecchie forme e apprenderne di nuove, o persino di imparare a eseguire movimenti complessi e non reversibili che sarebbero impossibili per un materiale standard.

Il nucleo di questa scoperta risiede in un metodo chiamato apprendimento contrastivo. Immaginate di tenere in mano una catena flessibile. Per insegnarle una forma, prima la lasciate pendere liberamente mentre spingete un'estremità a un angolo specifico; questo è lo "stato libero". Poi, tenete ferma sia l'estremità spinta che la forma finale desiderata; questo è lo "stato vincolato". I computer interni del materiale confrontano la differenza tra come la catena si è piegata naturalmente nel primo passaggio e come è stata costretta a piegarsi nel secondo. In base a questa differenza, il materiale regola automaticamente la rigidità dei suoi giunti. Rende i giunti più rigidi o più morbidi proprio nei punti giusti in modo che, la volta successiva che viene spinto, si assesti naturalmente nella forma desiderata. Questo avviene senza un cervello centrale che dica a ogni parte cosa fare; ogni unità deve solo conoscere il proprio movimento e quello del proprio vicino immediato.

Nei loro esperimenti, i ricercatori hanno dimostrato ciò con una catena di sei unità. Hanno mostrato al materiale come formare la lettera "U" applicando una spinta specifica. Dopo soli dieci round di questo processo di confronto e regolazione, il materiale ha appreso la forma perfettamente. Quando hanno applicato nuovamente la spina, la catena si è arricciata a forma di "U" senza alcun aiuto esterno. Il team ha poi testato i limiti di questa capacità di apprendimento. Hanno utilizzato una catena più lunga di undici unità e hanno insegnato a scrivere la parola "LEARN", lettera per lettera. Sorprendentemente, il materiale poteva dimenticare la lettera precedente e apprendere la successiva senza bisogno di essere resettato o riprogrammato da zero. Semplicemente aggiornava la propria memoria interna di rigidità per accomodare la nuova forma.

I ricercatori hanno anche esplorato se questo apprendimento potesse gestire compiti più complessi, come imparare più forme contemporaneamente o eseguire movimenti che violano le solite regole di simmetria. Nel mondo fisico, le forze spesso agiscono in entrambi i sensi: se si spinge il punto A per muovere il punto B, spingere il punto B di solito muove il punto A in un modo prevedibile e speculare. Il team ha scoperto che introducendo un tipo speciale di rigidità "attiva" che potesse agire diversamente a seconda della direzione della spinta, il loro materiale poteva rompere questa simmetria. Hanno addestrato una catena a incurvarsi in un modo quando spinta da sinistra, ma a incurvarsi nel senso opposto quando spinta da destra. Questo comportamento non reciproco ha permesso al materiale di apprendere più forme conflittuali simultaneamente. Ad esempio, la stessa catena poteva essere addestrata a formare la lettera "L" quando veniva spinta un elemento specifico, e la lettera "E" quando ne veniva spinto un altro, tutto contemporaneamente.

Forse la scoperta più sorprendente è stata che questi materiali potevano imparare ad avere più di una forma stabile. Di solito, se si piega una molla e la si lascia andare, essa torna alla sua posizione originale piatta. Tuttavia, regolando le regole di apprendimento per consentire una rigidità negativa in certi giunti, il team ha creato un materiale capace di assestarsi in due diverse forme stabili. Una volta spinto, il materiale compie un salto verso una nuova configurazione e vi rimane, anche dopo che la spinta è stata rimossa. Questa bistabilità ha conferito al materiale capacità robotiche. Hanno costruito una piccola pinza che poteva catturare automaticamente un oggetto in movimento e tenerlo, per poi rilasciarlo con un colpo. Hanno anche creato una catena che poteva camminare. Addestrando la catena ad avere quattro forme stabili e applicando una semplice spinta ritmica a un singolo giunto, l'intera catena ha iniziato a strisciare su un tavolo. La natura non reciproca dell'apprendimento ha creato un ciclo nel movimento del materiale, permettendogli di avanzare in un ciclo continuo usando un solo motore.

Queste scoperte suggeriscono che i metamateriali possono servire come una potente piattaforma per l'apprendimento fisico, andando oltre i design statici verso sistemi adattivi. I ricercatori hanno dimostrato che questo apprendimento funziona anche con regole semplici e non richiede sensori ad alta precisione o processori complessi. Sebbene gli attuali esperimenti siano stati condotti su catene piatte in due dimensioni, i principi sono sufficientemente generali da poter essere estesi a strutture tridimensionali. La capacità di dimenticare, riapprendere e eseguire movimenti complessi e non simmetrici apre la porta a una nuova generazione di materiali adattivi e robot morbidi che possono evolvere il proprio comportamento in tempo reale, proprio come gli organismi viventi che li hanno ispirati.

Sintesi Tecnica: Metamateriali che imparano a cambiare forma

Problema
Gli organismi viventi possiedono una capacità fondamentale di adattare ed evolvere le proprie risposte al cambiamento di forma attraverso modifiche locali dei propri componenti. Sebbene i metamateriali sintetici abbiano dimostrato con successo avanzate capacità di morfismo di forma su varie scale (dai micron ai metri), essi tipicamente mancano della capacità di apprendere. I tradizionali materiali a memoria di forma possono essere addestrati per memorizzare solo uno o due stati statici, e la maggior parte dei metamateriali è progettata "una volta per tutte", senza la capacità di adattare la propria risposta meccanica a condizioni mutevoli o di apprendere nuovi comportamenti dopo la fabbricazione. La sfida centrale affrontata in questo lavoro è la creazione di materiali sintetici capaci di apprendimento fisico — specificamente, la capacità di apprendere, dimenticare e riapprendere complesse risposte al cambiamento di forma in risposta a input meccanici.

Metodologia
Gli autori costruiscono un metamateriale robotico composto da $N$ unità collegate da uno scheletro elastico. Ogni unità è dotata di una cerniera motorizzata capace di esercitare una coppia e di un microcontrollore. Il sistema opera su un tavolo ad aria a basso attrito, consentendo il movimento libero.

Meccanismo di Controllo: La rigidità locale di ogni unità è regolabile tramite un ciclo di feedback locale. La coppia $\tau_i$ applicata all'unità $i$ è governata da:
$\tau_i = -(k^o_i + k_e)\delta\theta_i - (k^p_{i-1} + k^a_{i-1})\delta\theta_{i-1} - (k^p_i - k^a_i)\delta\theta_{i+1}$
dove $k^o_i$ è la rigidità on-site, $k^p_i$ è la rigidità del vicino passiva (simmetrica), $k^a_i$ è la rigidità del vicino attiva (anti-simmetrica) e $k_e$ è la rigidità fissa dello scheletro. Le variabili $\delta\theta_i$ rappresentano le deflessioni angolari.
Schema di Apprendimento Contrastivo: Il sistema impiega un protocollo di apprendimento fisico supervisionato basato sull'apprendimento contrastivo. I gradi di libertà dell'apprendimento sono le rigidità regolabili ( $k^o, k^p, k^a$ ), mentre i gradi di libertà fisici sono le deflessioni angolari. Il processo di apprendimento prevede due stati:
1. Stato Libero (Free State): Vengono imposte solo le deformazioni di input ( $\delta\theta_I$ ).
2. Stato Vincolato (Clamped State): Vengono imposte sia le deformazioni di input che quelle desiderate in uscita ( $\delta\theta_O$ ).
Il sistema aggiorna i parametri di rigidità utilizzando una regola di apprendimento locale derivata dal gradiente della differenza tra una funzione $\psi$ valutata negli stati vincolato (C) e libero (F):
$\frac{dk_i}{dt} = -\gamma \frac{\partial}{\partial k_i} (\psi^C - \psi^F)$
- Caso Reciproco ( $k^a_i = 0$ ): $\psi$ è l'energia elastica. La regola di apprendimento aggiorna $k^o$ e $k^p$ in base alla differenza tra gli angoli al quadrato e i termini incrociati tra gli stati.
- Caso Non Reciproco ( $k^a_i \neq 0$ ): Per gestire sistemi dipendenti dal percorso in cui le forze non derivano da un potenziale scalare, gli autori definiscono una funzione di lavoro dipendente dal percorso $\psi$ che include un termine anti-simmetrico pesato da un fattore di direzione del percorso $\alpha_i$ . Ciò consente l'apprendimento di risposte non reciproche dove la trasmissione della forza non è simmetrica.
Multistabilità: Per ottenere configurazioni multistabili, viene introdotta una restrizione di stabilità locale basata sul teorema dei cerchi di Gershgorin. Questo modifica la regola di apprendimento includendo un termine che guida la rigidità on-site $k^o_i$ verso un valore predeterminato $k^*$ , permettendo al sistema di apprendere configurazioni instabili (bistabili) in cui lo stato piatto non è più un equilibrio stabile.

Risultati Chiave

Apprendimento Sequenziale e Dimenticanza: Un metamateriale con $N=6$ unità ha imparato con successo a morfarsi in una forma a "U" partendo da una catena dritta in risposta a un input specifico. Fondamentalmente, il sistema ha dimostrato la capacità di "dimenticare" questa forma e apprendere sequenzialmente nuove forme (formando la parola "LEARN" con $N=11$ ) senza riinizializzazione.
Scalabilità: Simulazioni numeriche fino a $N=10^3$ hanno indicato che, sebbene l'apprendimento diventi più difficile con la dimensione del sistema a causa del decadimento elastico, la scalabilità può essere mantenuta introducendo interazioni a lungo raggio o molteplici output; la validazione sperimentale con un sistema a 48 unità ha permesso di assumere con successo la forma di un gatto usando tre input.
Apprendimento Non Reciproco: Gli autori hanno dimostrato che i metamateriali reciproci ( $k^a_i=0$ ) falliscono nell'apprendere cambiamenti di forma che rompono la simmetria tra le direzioni di carico. Abilitando le interazioni non reciproche ( $k^a_i \neq 0$ ) tramite la regola di apprendimento dipendente dal percorso, il metamateriale ha appreso con successo risposte non reciproche (ad esempio, una curvatura positiva all'unità 2 che causa una curvatura positiva all'unità 5, ma una curvatura positiva all'unità 5 che causa una curvatura negativa all'unità 2).
Apprendimento Multi-Target: La non-reciprocità ha permesso l'apprendimento simultaneo di più cambiamenti di forma incompatibili. Mentre i sistemi reciproci non riuscivano a imparare più di un target, i sistemi non reciproci hanno appreso con successo fino a tre target (e quattro con interazioni tra vicini più lontani), permettendo a un singolo materiale di formare diverse lettere ("LEREN") in base a diversi input di posizione e angolo.
Multistabilità e Funzionalità Robotica: Addestrando per valori di rigidità negativa, i metamateriali hanno appreso configurazioni bistabili. Questa capacità è stata utilizzata per creare:
- Gripper a Riflesso (Reflex Gripper): Un dispositivo che cattura automaticamente un oggetto in movimento al contatto e lo rilascia/scaglia via mediante un input specifico, sfruttando la natura bistabile delle unità.
- Locomozione: Una catena addestrata a generare la lettera "M" con quattro forme stabili. Quando guidata da un'unica unità con una coppia sinusoidale, la combinazione di multistabilità e non-reciprocità ha indotto un cambiamento di forma ciclico, risultando in una locomozione unidirezionale su un substrato.

Significato e Rivendicazioni
Il saggio stabilisce i metamateriali come una piattaforma valida per l'apprendimento fisico. Gli autori affermano che, regolando sistematicamente i parametri interni (gradi di libertà dell'apprendimento) mediante regole di apprendimento locali, i materiali sintetici possono emulare le capacità adattive di cambiamento di forma degli organismi viventi.

La significatività di questo lavoro risiede nel:

Superamento dei Limiti di Progettazione: Andare oltre i materiali "progettati una volta sola" verso sistemi che possono apprendere, dimenticare e riapprendere risposte complesse su richiesta.
Generalizzazione dell'Apprendimento Fisico: Dimostrare che gli schemi di apprendimento fisico possono generalizzare a casi non conservativi di energia (non reciproci) e non lineari (multistabili), che sono essenziali per complesse funzionalità robotiche.
Robotica Emergente: Mostrare come queste proprietà apprese consentano comportamenti robotici autonomi come il gripping a riflesso e la locomozione senza complessi algoritmi di controllo esterni, affidandosi invece alla meccanica intrinseca appresa del materiale.

Gli autori concludono che questo approccio apre la strada ad adattivi materiali e alla robotica distribuita, con prospettive future che includono l'estensione a scenari dinamici/stocastici e l'apprendimento non supervisionato per emulare ulteriormente la materia vivente autonoma.

Articoli simili