Metamaterials that learn to change shape

기술 요약: 형태 변화를 학습하는 메타물질

문제 정의
생명체는 구성 요소의 국부적인 수정을 통해 형태 변화 반응을 적응시키고 진화시킬 수 있는 근본적인 능력을 갖추고 있다. 합성 메타물질은 마이크론에서 미터 단위에 이르기까지 다양한 스케일에서 진보된 형상 변형 능력을 성공적으로 보여주었으나, 일반적으로 학습 능력이 결여되어 있다. 전통적인 형상 기억 물질은 단 하나 또는 두 개의 정적인 형태만을 기억하도록 훈련될 수 있으며, 대부분의 메타물질은 제작 후 새로운 행동을 학습하거나 변화하는 조건에 따라 기계적 응답을 적응시킬 수 없는 "한 번 결정되면 끝인(once and for all)" 방식으로 설계된다. 본 연구가 다루는 핵심 과제는 물리적 학습, 즉 기계적 입력에 반응하여 복잡한 형상 변화 응답을 학습, 망각 및 재학습할 수 있는 능력을 갖춘 합성 물질을 만드는 것이다.

방법론
저자들은 탄성 골격으로 연결된 $N$개의 단위로 구성된 로봇 메타물질을 구축한다. 각 단위에는 토크를 가할 수 있는 모터 구동 힌지와 마이크로컨트롤러가 장착되어 있다. 시스템은 자유로운 움직임을 허용하는 저마찰 에어 테이블 위에서 작동한다.

• 제어 메커니즘: 각 단위의 국부적 강성은 국부 피드백 루프를 통해 조절 가능하다. 단위 $i$에 가해지는 토크 $\tau_i$는 다음과 같이 결정된다:
  $$\tau_i = -(k^o_i + k_e)\delta\theta_i - (k^p_{i-1} + k^a_{i-1})\delta\theta_{i-1} - (k^p_i - k^a_i)\delta\theta_{i+1}$$
  여기서 $k^o_i$는 온사이트(on-site) 강성, $k^p_i$는 수동적(대칭적) 이웃 강성, $k^a_i$는 능동적(반대칭적) 이웃 강성, $k_e$는 고정된 골격 강성이다. 변수 $\delta\theta_i$는 각도 편차를 나타낸다.

• 대조 학습 체계: 시스템은 대조 학습(contrastive learning)에 기반한 지도 물리 학습 프로토콜을 채택한다. 학습 가능한 자유도는 조절 가능한 강성($k^o, k^p, k^a$)이며, 물리적 자유도는 각도 편차이다. 학습 과정은 두 가지 상태를 포함한다:

  1. 자유 상태(Free State): 입력 변형($\delta\theta_I$)만이 부과된다.
  2. 고정 상태(Clamped State): 입력 및 원하는 출력 변형($\delta\theta_O$)이 모두 부과된다.

  시스템은 고정(C) 상태와 자유(F) 상태에서 함수 $\psi$를 평가한 차이의 그래디언트를 사용하여 강성 파라미터를 업데이트한다:
  $$\frac{dk_i}{dt} = -\gamma \frac{\partial}{\partial k_i} (\psi^C - \psi^F)$$

  • 가역적 경우 ($k^a_i = 0$): $\psi$는 탄성 에너지이다. 학습 규칙은 두 상태 사이의 제곱 각도 및 교차항을 바탕으로 $k^o$와 $k^p$를 업데이트한다.
  • 비가역적 경우 ($k^a_i \neq 0$): 힘이 스칼라 퍼텐셜로부터 유도되지 않는 경로 의존적 시스템을 처리하기 위해, 저자들은 경로 방향 계수 $\alpha_i$에 의해 가중치가 부여된 경로 의존적 일 함수(work function) $\psi$를 정의한다. 이를 통해 힘의 전달이 대칭적이지 않은 비가역적 응답을 학습할 수 있다.

• 다중 안정성: 다중 안정 구성을 달성하기 위해 거슈고린 원 정리(Gershgorin circle theorem)에 기반한 국부 안정성 제약 조건이 도입된다. 이는 온사이트 강성 $k^o_i$를 미리 정해진 값 $k^*$로 유도하는 항을 학습 규칙에 추가하여, 평탄한 상태가 더 이상 안정적인 평형 상태가 아닌 불안정한(이중 안정) 구성을 학습할 수 있도록 한다.

주요 결과

1. 순차적 학습 및 망각: $N=6$인 메타물질은 특정 입력에 반응하여 직선 체인에서 "U"자 형태로 변형되는 것을 성공적으로 학습했다. 결정적으로, 시스템은 재초기화 없이 이 형태를 "망각"하고 새로운 형태를 순차적으로 학습( $N=11$로 "LEARN"이라는 단어를 형성)할 수 있음을 보여주었다.
2. 확장성: $N=10^3$까지의 수치 시뮬레이션은 탄성 감쇠로 인해 시스템 크기가 커질수록 학습이 어려워지지만, 장거리 상호작용이나 다중 출력을 도입함으로써 확장성을 유지할 수 있음을 나타냈다. 48개 단위의 실험적 검증을 통해 세 개의 입력을 사용하여 고양이 모양으로 성공적으로 변형되었다.
3. 비가역적 학습: 저자들은 가역적 메타물질($k^a_i=0$)이 로딩 방향 간의 대칭성을 깨뜨리는 형상 변화를 학습하는 데 실패함을 입증했다. 경로 의존적 학습 규칙을 통해 비가격적 상호작용($k^a_i \neq 0$)을 활성화함으로써, 메타물질은 비가역적 응답(예: 단위 2의 양의 곡률이 단위 5의 양의 곡률을 유발하지만, 단위 5의 양의 곡률은 단위 2의 음의 곡력을 유발함)을 성공적으로 학습했다.
4. 다중 타겟 학습: 비가역성은 서로 상충하는 여러 형상 변화를 동시에 학습하는 것을 가능하게 했다. 가역적 시스템은 하나 이상의 타겟을 학습하는 데 실패한 반면, 비가격적 시스템은 서로 다른 입력 위치와 각도에 따라 서로 다른 글자("LEREN")를 형성하며 최대 3개의 타겟(및 근접 이웃 상호작용 시 4개)을 성공적으로 학습했다.
5. 다중 안정성 및 로봇 기능: 음의 강성 값을 학습함으로써 메타물질은 이중 안정 구성을 학습했다. 이 능력은 다음과 같은 기능을 구현하는 데 활용되었다:
   • 반사 그리퍼(Reflex Gripper): 접촉 시 물체를 자동으로 잡고, 특정 입력 시 이를 놓거나 쳐내는 장치로, 단위의 이중 안정성을 활용한다.
   • 이동(Locomotion): 4개의 안정된 형태를 가진 글자 "M"을 생성하도록 훈련된 체인이다. 단일 단위에 사인 토크를 가하면, 다중 안정성과 비가역성의 결적인 조합에 의해 주기적인 형상 변화가 유도되어 기판 위에서 단방향 이동을 수행한다.

의의 및 주장
본 논문은 메타물질이 물리적 학습을 위한 유효한 플랫폼임을 확립한다. 저자들은 내부 파라미터(학습 자유도)를 국부 학습 규칙을 사용하여 체계적으로 조정함으로써, 합성 물질이 생명체의 적응적 형상 변화 능력을 모사할 수 있다고 주장한다.

본 연구의 의의는 다음과 같다:

• 설계 한계 극복: "한 번 설계하면 끝인" 물질을 넘어, 요구에 따라 학습, 망각 및 복잡한 응답을 재학습할 수 있는 시스템으로 나아갔다.
• 물리적 학습의 일반화: 물리적 학습 체계가 복잡한 로봇 기능을 구현하는 데 필수적인 에너지 비보존(비가역적) 및 비선형(다중 안정) 사례로 일반화될 수 있음을 입증했다.
• 창발적 로보틱스: 이러한 학습된 특성이 복잡한 외부 제어 알고리즘 없이도 반사 그리핑이나 이동과 같은 자율적인 로봇 동작을 가능하게 함을 보여주었다.

저자들은 이 접근 방식이 적응형 물질과 분산 로보틱스의 길을 열어주며, 향후 동적/확률적 시나리오로의 확장 및 자율적인 살아있는 물질을 더욱 모사하기 위한 비지도 학습으로의 발전 가능성을 제시한다고 결론지었다.