In situ local learning of dynamic network materials

La materia è stata a lungo considerata come un palcoscenico passivo su cui agiscono le forze, o come uno strumento statico costruito per eseguire un singolo compito fisso. Un ponte sostiene un peso; una molla immagazzina energia; una lente focalizza la luce. In ogni caso, la funzione è codificata nella forma e nella composizione del materiale durante la produzione. Se l'ambiente cambia o sorge un nuovo compito, il materiale non può adattarsi. Questa limitazione ha alimentato un crescente interesse per un tipo diverso di materia: una che impara. Proprio come un cervello biologico regola le sue connessioni per riconoscere un volto o un suono, i ricercatori stanno esplorando se i legami fisici e le masse all'interno di un materiale possano essere sintonizzati per eseguire compiti complessi, dall'occultare oggetti alle onde al filtraggio dei suoni, semplicemente sperimentando il giusto tipo di feedback. Questo approccio tratta il materiale non come un prodotto finito, ma come un sistema capace di acquisire intelligenza attraverso il proprio movimento.

Un team di ricercatori dell'Università del Michigan ha ora dimostrato un modo per insegnare a questi materiali dinamici a imparare nuove funzioni applicando un protocollo fisico specifico in due fasi. Hanno sviluppato un metodo chiamato "apprendimento locale in situ", che consente a una rete fisica di molle e masse di calcolare i propri errori e regolare le proprie proprietà interne direttamente all'interno del sistema fisico. Invece di fare affidamento su un gemello digitale per dire al materiale come cambiare, i ricercatori utilizzano il materiale stesso per computare gli aggiustamenti necessari. Il processo prevede due fasi distinte di movimento. Primo, il materiale è guidato da un segnale di input, come una vibrazione o una forza, e la sua risposta viene misurata. Se la risposta non è quella desiderata, viene generato un segnale di errore. Questo errore viene quindi registrato, invertito nel tempo e reimmesso nella stessa rete fisica come un secondo segnale di guida all'indietro. Osservando come il materiale reagisce a questo errore temporale invertito, il sistema può identificare esattamente quali connessioni interne debbano essere rafforzate o indebolite per migliorare le proprie prestazioni.

La bellezza di questo metodo risiede nella sua semplicità e località. I ricercatori non hanno bisogno di misurare l'intero stato della rete o di eseguire calcoli complessi in un computer centrale. Invece, ogni singola molla e massa deve solo conoscere le forze e i movimenti che avvengono immediatamente accanto ad essa. Quando il segnale in avanti e il segnale di errore temporale invertito si incontrano, interagiscono localmente per produrre un gradiente, una direzione matematica che dice a ogni parte della rete se diventare più rigida, più pesante o più resistente al movimento. Ciò consente al materiale di aggiornare la propria rigidità, massa e attrito interno simultaneamente, "imparando" efficacementamente un nuovo comportamento attraverso la propria dinamica fisica. I ricercatori hanno testato questo framework su una rete disordinata di nodi e legami meccanici, una struttura che potrebbe apparire come una ragnatela aggrovigliata di molle e pesi, e hanno dimostrato che poteva padroneggiare quattro compiti molto diversi semplicemente cambiando la definizione del risultato desiderato.

Nella prima dimostrazione, il materiale ha imparato ad agire come un mantello per le onde. Un ostacolo rigido e pesante è stato posto al centro della rete, una caratteristica che normalmente disperderebbe le onde in arrivo e creerebbe un caos a valle. I ricercatori hanno impostato un obiettivo per il materiale: far sì che le onde che passano l'ostacolo sembrino esattamente come se l'ostacolo non ci fosse affatto. Applicando ripetutamente i segnali in avanti e all'indietro, la rete ha regolato la rigidità e la massa delle molle che circondano l'ostacolo. Il risultato è stato un mantello a banda larga che funziona su un intervallo di frequenze, sopprimendo la firma dello scattering e permettendo alle onde di fluire oltre l'ostruzione come se fosse invisibile. Ciò è stato ottenuto non seguendo un progetto predefinito, ma attraverso il processo di tentativi ed errori del materiale, guidato solo dal segnale di errore.

Il secondo compito richiedeva al materiale di compiere un'impresa che è solitamente impossibile per le lenti ordinarie: vedere i dettagli fini di un oggetto che sono più piccoli della lunghezza d'onda dell'onda utilizzata per osservarlo. Nella fisica standard, questi minuscoli dettagli sono trasportati da onde "evanescenti", che svaniscono quasi immediatamente e non raggiungono mai un rilevatore distante. I ricercatori hanno addestrato la rete per agire come una lente capace di catturare queste informazioni svanenti e trasportarle in un piano d'immagine. Il materiale ha imparato a manipolare la struttura del campo vicino delle onde, preservando i dettagli ad alta frequenza che solitamente scompaiono. Testando la rete con diverse forme di lettere, essa ha ricostruito con successo le immagini, provando di aver imparato a sfruttare le parti decadenti e invisibili del campo d'onda per creare un'immagine nitida.

Il terzo esempio ha mostrato che il materiale poteva imparare a usare l'attrito, o lo smorzamento, a proprio vantaggio. Nella maggior parte dei sistemi meccanici, lo smorzamento è visto come un fastidio che drena energia e interrompe il movimento. Qui, i ricercatori hanno chiesto alla rete di fare l'opposto: usare una quantità fissa di smorzamento per creare un burst di movimento ampio e acuto in un momento specifico. Ridistribuendo l'attrito attraverso la rete, il materiale ha imparato a organizzare le proprie vibrazioni interne in modo che interferissero costruttivamente, creando un potente picco transitorio all'uscita. Questo potenziamento non era possibile con uno smorzamento uniforme o standard, dimostrando che il materiale aveva imparato un modo sofisticato e non convenzionale di gestire la dissipazione di energia per raggiungere un obiettivo specifico.

Infine, i ricercatori hanno applicato la stessa regola di apprendimento a un compito che assomiglia all'apprendimento automatico: la classificazione dei suoni. Hanno fornito alla rete le forme d'onda audio di tre diverse vocali e hanno chiesto di classificarle in tre categorie. La rete non era programmata con le regole della fonetica o dell'elaborazione dei segnali. Inve invece, le è stato semplicemente comunicato quale regione di uscita dovesse attivarsi per ogni suono. Attraverso lo stesso processo di apprendimento locale, il materiale ha regolato i propri parametri interni per riconoscere i pattern temporali unici di ogni vocale. Ha classificato con successo l'energia del suono corretto verso il canale di uscita corretto, ottenendo un'alta precisione nel distinguere le vocali. Ciò ha dimostrato che lo stesso sistema fisico poteva funzionare come un classificatore, elaborando dati dipendenti dal tempo e prendendo decisioni basate sul proprio stato interno appreso.

Questi risultati suggeriscono un nuovo paradigma per il modo in cui progettiamo e utilizziamo i materiali. Piuttosto che ingegnerizzare una struttura specifica per un lavoro specifico, possiamo fornire a un materiale una regola di apprendimento e un obiettivo, e lasciare che trovi la soluzione da solo. Il framework colma il divario tra materiali fisici e intelligenza artificiale, mostrando che le leggi della fisica possono essere utilizzate per eseguire calcolo e apprendimento direttamente nell'hardware. Il materiale non si limita a rispondere al mondo; impara da esso. Sebbene le attuali dimostrazioni si basino sui principi della backpropagation fisica che possono essere implementati in hardware reale, l'approccio offre una via verso materiali capaci di adattarsi ad ambienti mutevoli, riparare le proprie funzioni o acquisire nuove abilità dopo essere stati costruiti. La capacità di apprendere le risposte temporali in situ significa che la prossima generazione di materiali intelligenti potrebbe non essere solo programmata dagli ingegneri, ma potrebbe imparare a programmare se stessa.