Metamaterials that learn to change shape

Resumo Técnico: Metamateriais que Aprendem a Mudar de Forma

Definição do Problema
Organismos vivos possuem uma capacidade fundamental de adaptar e evoluir suas respostas de mudança de forma através de modificações locais de seus componentes. Embora metamateriais sintéticos tenham demonstrado com sucesso capacidades avançadas de mudança de forma em várias escalas (de mícrons a metros), eles tipicamente carecem da capacidade de aprender. Materiais de memória de forma tradicionais podem ser treinados para memorizar apenas uma ou duas formas estáticas, e a maioria dos metamateris é projetada "uma única vez e para sempre", sem a capacidade de adaptar sua resposta mecânica a condições variáveis ou de aprender novos comportamentos após a fabricação. O desafio central abordado neste trabalho é a criação de materiais sintéticos capazes de aprendizado físico — especificamente, a capacidade de aprender, esquecer e reaprender respostas complexas de mudança de forma em resposta a estímulos mecânicos.

Metodologia
Os autores constroem um metamaterial robótico composto por $N$ unidades conectadas por um esqueleto elástico. Cada unidade é equipada com uma dobradiça motorizada capaz de exercer torque e um microcontrolador. O sistema opera sobre uma mesa de ar de baixo atrito, permitindo o movimento livre.

• Mecanismo de Controle: A rigidez local de cada unidade é ajustável via um laço de feedback local. O torque $\tau_i$ aplicado à unidade $i$ é governado por:
  $$\tau_i = -(k^o_i + k_e)\delta\theta_i - (k^p_{i-1} + k^a_{i-1})\delta\theta_{i-1} - (k^p_i - k^a_i)\delta\theta_{i+1}$$
  onde $k^o_i$ é a rigidez local (on-site), $k^p_i$ é a rigidez de vizinhança passiva (simétrica), $k^a_i$ é a rigidez de vizinhança ativa (antissimétrica) e $k_e$ é a rigidez fixa do esqueleto. As variáveis $\delta\theta_i$ representam as deflexões angulares.

• Esquema de Aprendizado Contrastivo: O sistema emprega um protocolo de aprendizado físico supervisionado baseado em aprendizado contrastivo. Os graus de liberdade de aprendizado são as rigidezes ajustáveis ($k^o, k^p, k^a$), enquanto os graus de liberdade físicos são as deflexões angulares. O processo de aprendizado envolve dois estados:

  1. Estado Livre (Free State): Apenas deformações de entrada ($\delta\theta_I$) são impostas.
  2. Estado Preso (Clamped State): Tanto as deformações de entrada quanto as deformações de saída desejadas ($\delta\theta_O$) são impostas.

  O sistema atualiza os parâmetros de rigidez usando uma regra de aprendizado local derivada do gradiente da diferença entre uma função $\psi$ avaliada nos estados preso (C) e livre (F):
  $$\frac{dk_i}{dt} = -\gamma \frac{\partial}{\partial k_i} (\psi^C - \psi^F)$$

  • Caso Recíproco ($k^a_i = 0$): $\psi$ é a energia elástica. A regra de aprendizado atualiza $k^o$ e $k^p$ com base na diferença entre os quadrados dos ângulos e termos cruzados entre os estados.
  • Caso Não-Recíproco ($k^a_i \neq 0$): Para lidar com sistemas dependentes de trajetória onde as forças não derivam de um potencial escalar, os autores definem uma função de trabalho dependente da trajetória $\psi$ que inclui um termo antissimétrico ponderado por um fator de direção de trajetória $\alpha_i$. Isso permite o aprendizado de respostas não-recíprocas onde a transmissão de força não é simétrica.

• Multiestabilidade: Para alcançar configurações multiestáveis, uma restrição de estabilidade local baseada no teorema do círculo de Gershgorin é introduzida. Isso modifica a regra de aprendizado para incluir um termo que direciona a rigidez local $k^o_i$ em direção a um valor predeterminado $k^*$, permitindo que o sistema aprenda configurações instáveis (biestáveis) onde o estado plano não é mais um equilíbrio estável.

Principais Resultados

1. Aprendizado Sequencial e Esquecimento: Um metamaterial com $N=6$ unidades aprendeu com sucesso a transitar de uma cadeia reta para uma forma em "U" em resposta a uma entrada específica. Crucialmente, o sistema demonstrou a capacidade de "esquecer" essa forma e aprender sequencialmente novas formas (formando a palavra "LEARN" com $N=11$) sem reinicialização.
2. Escalabilidade: Simulações numéricas até $N=10^3$ indicaram que, embora o aprendizado se torne mais difícil com o tamanho do sistema devido ao decaimento elástico, a escalabilidade pode ser mantida através da introdução de interações de longo alcance ou múltiplas saídas. A validação experimental com um sistema de 48 unidades conseguiu moldar-se na forma de um gato usando três entradas.
3. Aprendizado Não-Recíproco: Os autores demonstraram que metamateriais recíprocos ($k^a_i=0$) falham em aprender mudanças de forma que quebrem a simetria entre as direções de carga. Ao permitir interações não-recíprocas ($k^a_i \neq 0$) via a regra de aprendizado dependente da trajetória, o metamaterial aprendeu com sucesso respostas não-recíprocas (ex: curvatura positiva na unidade 2 causando curvatura positiva na unidade 5, mas curvatura positiva na unidade 5 causando curvatura negativa na unidade 2).
4. Aprendizado de Múltiplos Alvos: A não-reciprocidade permitiu o aprendizado simultâneo de múltiplas mudanças de forma incompatíveis. Enquanto sistemas recíprocos falharam em aprender mais de um alvo, sistemas não-recíprocos aprenderam com sucesso até três alvos (e quatro com interações de vizinho mais distante), permitindo que um único material formasse diferentes letras ("LEREN") com base em diferentes localizações e ângulos de entrada.
5. Multiestabilidade e Funcionalidade Robótica: Ao treinar para valores de rigidez negativa, os metamateriais aprenderam configurações biestáveis. Essa capacidade foi utilizada para criar:
   • Gripper de Reflexo (Reflex Gripper): Um dispositivo que captura automaticamente um objeto em movimento ao contato e o libera/expulsa ao receber um estímulo específico, aproveitando a natureza biestável das unidades.
   • Locomoção: Uma cadeia treinada para gerar a letra "M" com quatro formas estáveis. Quando impulsionada por uma única unidade com um torque senoidal, a combinação de multiestabilidade e não-reciprocidade induziu uma mudança de forma cíclica, resultando em locomoção unidirecional sobre um substrato.

Significância e Alegações
O artigo estabelece os metamateriais como uma plataforma viável para o aprendizado físico. Os autores alegam que, ao ajustar sistematicamente os parâmetros internos (graus de liberdade de aprendizado) usando regras de aprendizado locais, materiais sintéticos podem emular as capacidades adaptativas de mudança de forma de organismos vivos.

A significância deste trabalho reside em:

• Superação de Limitações de Design: Ir além de materiais de "projeto único" para sistemas que podem aprender, esquecer e reaprender respostas complexas sob demanda.
• Generalização do Aprendizado Físico: Demonstrar que esquemas de aprendizado físico podem se generalizar para casos que não conservam energia (não-recíprocos) e não lineares (multiestáveis), que são essenciais para funcionalidades robóticas complexas.
• Robótica Emergente: Mostrar que essas propriedades aprendidas permitem comportamentos robóticos autônomos, como o gripper de reflexo e a locomoção, sem algoritmos de controle externos complexos, baseando-se na mecânica intrínseca aprendida pelo material.

Os autores concluem que esta abordagem abre caminho para materiais adaptativos e robótica distribuída, com avenidas futuras incluindo a extensão para cenários dinâmicos/estocásticos e aprendizado não supervisionado para emular ainda mais a matéria viva autônoma.