In situ local learning of dynamic network materials

Materie is lang beschouwd als een passief podium waarop krachten inwerken, of als een statisch instrument dat gebouwd is om één enkele, vaste taak uit te voeren. Een brug houdt gewicht vast; een veer slaat energie op; een lens focust licht. In elk geval is de functie tijdens de productie vastgelegd in de vorm en samenstelling van het materiaal. Als de omgeving verandert of er een nieuwe taak ontstaat, kan het materiaal zich niet aanpassen. Deze beperking heeft geleid tot een groeiende belangstelling voor een ander soort materie: een materie die leert. Net zoals een biologisch brein zijn verbindingen aanpast om een gezicht of een geluid te herkennen, onderzoeken onderzoekers of de fysieke verbindingen en massa's binnen een materiaal afgestemd kunnen worden om complexe taken uit te voeren, van het verbergen van objecten voor golven tot het sorteren van geluiden, simpelweg door de juiste soort feedback te ervaren. Deze benadering behandelt het materiaal niet als een afgewerkt product, maar als een systeem dat in staat is intelligentie te verwerven door zijn eigen beweging.

Een team van onderzoekers aan de Universiteit van Michigan heeft nu een manier gedemonstreerd om deze dynamische materialen te leren nieuwe functies aan te leren door een specifieke tweestaps fysiek protocol toe te passen. Ze ontwikkelden een methode genaamd "in situ lokale leerprocessen", die een fysiek netwerk van veren en massa's in staat stelt om zijn eigen fouten te berekenen en zijn interne eigenschappen direct binnen het fysieke systeem aan te passen. In plaats van te vertrouwen op een digitale tweeling om het materiaal te vertellen hoe het moet veranderen, gebruiken de onderzoekers het materiaal zelf om de noodzakelijke aanpassingen te berekenen. Het proces omvat twee verschillende fasen van beweging. Eerst wordt het materiaal gedreven door een invoersignaal, zoals een trilling of een kracht, en wordt de respons gemeten. Als de respons niet is wat de bedoeling was, wordt er een foutsignaal gegenereerd. Dit foutsignaal wordt vervolgens opgenomen, in de tijd omgekeerd en als een tweede, achterwaarts stuwend signaal teruggevoerd in hetzelfde fysieke netwerk. Door te observeren hoe het materiaal reageert op deze tijd-omgekeerde fout, kan het systeem precies identificeren welke interne verbindingen versterkt of verzwakt moeten worden om de prestaties te verbeteren.

De schoonheid van deze methode ligt in de eenvoud en de lokaliteit ervan. De onderzoekers hoeven niet de volledige staat van het netwerk te meten of complexe berekeningen uit te voeren in een centrale computer. In plaats daarvan hoeft elke individuele veer en massa alleen maar op de de hoogte te zijn van de krachten en bewegingen die direct naast hen plaatsvinden. Wanneer het voorwaartse signaal en het tijd-omgekeerde foutsignaal elkaar ontmoeten, interageren ze lokaal om een gradiënt te produceren, een wiskundige richting die elk deel van het netwerk vertelt of het stijver, zwaarder of meer resistent tegen beweging moet worden. Dit stelt het materiaal in staat om zijn eigen stijfheid, massa en interne wrijving tegelijkertijd bij te werken, waardoor het effectief een nieuw gedrag "leert" door zijn eigen fysieke dynamiek. De onderzoekers testten dit kader op een ongeordend netwerk van mechanische knooppunten en verbindingen, een structuur die eruit kan zien als een verward web van veren en gewichten, en toonden aan dat het vier zeer verschillende taken onder de knie kon krijgen door simpelweg de definitie van de gewenste uitkomst te veranderen.

In de eerste demonstratie leerde het materiaal om te fungeren als een dekmantel voor golven. Een stijf, zwaar obstakel werd in het midden van het netwerk geplaatst, een kenmerk dat normaal gesproken inkomende golven zou verstrooien en downstream een chaotische bende zou creëren. De onderzoekers stelden een doel voor het materiaal: laat de golven die langs het obstakel passeren er exact zo uitzien alsof het obstakel er helemaal niet was. Door herhaaldelijk de voorwaartse en achterwaartse signalen toe te passen, paste het netwerk de stijfheid en massa van de veren rondom het obstakel aan. Het resultaat was een breedbandige dekmantel die functioneerde over een reeks frequenties, de verstrooiingshandtekening onderdrukte en golven langs de obstructie liet stromen alsof het onzichtbaar was. Dit werd bereikt, niet door een vooraf geschreven blauwdruk te volgen, maar door het materiaal de noodzakelijke configuratie te laten ontdekken door middel van vallen en opstaan, geleid door enkel het foutsignaal.

De tweede taak vereiste dat het materiaal een prestatie leverde die normaal gesproken onmogelijk is voor gewone lenzen: het zien van de fijne details van een object die kleiner zijn dan de golflengte van de golf die wordt gebruikt om te kijken. In de standaardfysica worden deze minuscule details gedragen door "evanescente" golven, die bijna onmiddellijk vervagen en nooit een verre detector bereiken. De onderzoekers trainden het netwerk om te fungeren als een lens die in staat is deze vervagende informatie op te vangen en naar een beeldvlak te transporteren. Het materiaal leerde de nabijveldstructuur van de golven te manipuleren, waardoor de hoogfrequente details die normaal gesproken verdwijnen, behouden blijven. Bij het testen met verschillende lettervormen reconstrueerde het getrainde netwerk de beelden succesvol, wat bewees dat het geleerd had om de onzichtbare, afnemende delen van het golfveld te benutten om een helder beeld te creëren.

Het derde voorbeeld toonde aan dat het materiaal wrijving, of demping, tot zijn voordeel kon gebruiken. In de meeste mechanische systemen wordt demping gezien als een overlast die energie onttrekt en beweging stopt. Hier vroegen de onderzoekers het netwerk om het tegenovergestelde te doen: om een vaste hoeveelheid demping te gebruiken om op een specifiek moment een grote, scherpe bewegingspiek te creëren. Door de wrijving over het netwerk te herverdelen, leerde het materiaal zijn interne trillingen zo te organiseren dat ze constructief interfereerden, waardoor een krachtige transiënte piek aan de output ontstond. Deze versterking was niet mogelijk met uniforme of standaard demping, wat bewees dat het materiaal een geavanceerde, niet-standaard manier had geleerd om energieverlies te beheren om een specifiek doel te bereiken.

Ten slotte pasten de onderzoekers dezelfde leerregel toe op een taak die lijkt op machine learning: het classificeren van geluiden. Ze voerden de audio-golfvormen van drie verschillende klinkerklanken in het netwerk en vroegen het om ze in drie categorieën te sorteren. Het netwerk was niet geprogrammeerd met de regels van de fonetiek of signaalverwerking. In plaats daarvan kreeg het simpelweg te horen welk outputgebied moest oplichten voor elk geluid. Door hetzelfde lokale leerproces slaagde het materiaal erin om de unieke temporele patronen van elke klinker te herkennen door zijn interne parameters aan te passen. Het slaagde er succesvol in om de energie van het juiste geluid naar het juiste outputkanaal te leiden, waarbij een hoge nauwkeurigheid werd behaald bij het onderscheiden van de klinkers. Dit toonde aan dat hetzelfde fysieke systeem als een classifier kon fungeren, door tijdsafhankelijke gegevens te verwerken en beslissingen te nemen op basis van zijn geleerde interne staat.

Deze resultaten suggereren een nieuw paradigma voor hoe we materialen ontwerpen en gebruiken. In plaats van een specifieke structuur voor een specifieke taak te ontwerpen, kunnen we een materiaal een leerregel en een doel geven, en het de oplossing zelf laten vinden. Het kader overbrugt de kloof tussen fysieke materialen en kunstmatige intelligentie, door te laten zien dat de wetten van de fysica gebruikt kunnen worden om direct in de hardware berekeningen en leerprocessen uit te voeren. Het materiaal reageert niet alleen op de wereld; het leert ervan. Hoewel de huidige demonstraties steunen op de principes van fysieke backpropagation die in echte hardware kunnen worden geïmplementeerd, biedt de benadering een route naar materialen die kunnen adapteren aan veranderende omgevingen, hun eigen functies kunnen herstellen of nieuwe vaardigheden kunnen verwerven nadat ze zijn gebouwd. Het vermogen om in situ temporele responsen te leren betekent dat de volgende generatie slimme materialen misschien niet alleen door ingenieurs geprogrammeerd wordt, maar misschien leert om zichzelf te programmeren.