In situ local learning of dynamic network materials

A matéria tem sido vista há muito tempo como um palco passivo sobre o qual as forças atuam, ou como uma ferramenta estática construída para realizar um trabalho único e fixo. Uma ponte suporta peso; uma mola armazena energia; uma lente foca a luz. Em cada caso, a função é codificada na forma e na composição do material durante a fabricação. Se o ambiente muda ou surge uma nova tarefa, o material não consegue se adaptar. Essa limitação impulsionou um interesse crescente em um tipo diferente de matéria: uma que aprende. Assim como um cérebro biológico ajusta suas conexões para reconhecer um rosto ou um som, pesquisadores estão explorando se as ligações físicas e as massas dentro de um material poderiam ser sintonizadas para realizar tarefas complexas, desde esconder objetos de ondas até classificar sons, simplesmente por experimentar o tipo certo de feedback. Essa abordagem trata o material não como um produto acabado, mas como um sistema capaz de adquirir inteligência através de seu próprio movimento.

Uma equipe de pesquisadores da Universidade de Michigan demonstrou agora uma maneira de ensinar esses materiais dinâmicos a aprender novas funções aplicando um protocolo físico específico de duas etapas. Eles desenvolveram um método chamado "aprendizado local in situ", que permite que uma rede física de molas e massas calcule seus próprios erros e ajuste suas propriedades internas diretamente dentro do sistema físico. Em vez de depender de um gêmeo digital para dizer ao material como mudar, os pesquisadores usam o próprio material para computar os ajustes necessários. O processo envolve duas fases distintas de movimento. Primeiro, o material é impulsionado por um sinal de entrada, como uma vibração ou uma força, e sua resposta é medida. Se a resposta não for a desejada, um sinal de erro é gerado. Esse erro é então registrado, revertido no tempo e alimentado de volta na mesma rede física como um segundo sinal de condução reversa. Ao observar como o material reage a esse erro de tempo revertido, o sistema pode identificar exatamente quais conexões internas precisam ser fortalecidas ou enfraquecidas para melhorar seu desempenho.

A beleza deste método reside em sua simplicidade e localidade. Os pesquisadores não precisam medir todo o estado da rede ou realizar cálculos complexos em um computador central. Em vez disso, cada mola e massa individual só precisa saber sobre as forças e movimentos que acontecem logo ao seu lado. Quando o sinal de ida e o sinal de erro de tempo revertido se encontram, eles interagem localmente para produzir um gradiente, uma direção matemática que diz a cada parte da rede se ela deve se tornar mais rígida, mais pesada ou mais resistente ao movimento. Isso permite que o material atualize sua própria rigidez, massa e fricção interna simultaneamente, efetivamente "aprendendo" um novo comportamento através de sua própria dinâmica física. Os pesquisadores testaram esse framework em uma rede desordenada de nós e ligações mecânicas, uma estrutura que poderia parecer uma teia emaranhada de molas e pesos, e mostraram que ela poderia dominar quatro tarefas muito diferentes simplesmente mudando a definição do resultado desejado.

Na primeira demonstração, o material aprendeu a agir como uma capa para ondas. Um obstáculo rígido e pesado foi colocado no meio da rede, uma característica que normalmente espalharia ondas e criaria uma confusão caótica rio abaixo. Os pesquisadores estabeleceram um objetivo para o material: fazer com que as ondas que passam pelo obstáculo pareçam exatamente como se o obstáculo não estivesse lá. Ao aplicar repetidamente os sinais de ida e de volta, a rede ajustou a rigidez e a massa das molas ao redor do obstáculo. O resultado foi uma capa de banda larga que funcionou em uma gama de frequências, suprimindo a assinatura de espalhamento e permitindo que as ondas fluíssem pela obstrução como se ela fosse invisível. Isso foi alcançado não seguindo um projeto pré-escrito, mas pelo material descobrindo a configuração necessária através de tentativa e erro, guiado apenas pelo sinal de erro.

A segunda tarefa exigiu que o material realizasse um feito que é geralmente impossível para lentes comuns: ver os detalhes finos de um objeto que são menores que o comprimento de onda da onda usada para vê-lo. Na física padrão, esses detalhes minúsculos são carregados por ondas "evanescentes", que desaparecem quase imediatamente e nunca chegam a um detector distante. Os pesquisadores treinaram a rede para atuar como uma lente que pudesse capturar essa informação que se desvanece e transportá-la para um plano de imagem. O material aprendeu a manipular a estrutura de campo próximo das ondas, preservando os detalhes de alta frequência que normalmente desaparecem. Quando testada com diferentes formas de letras, a rede treinada reconstruiu com sucesso as imagens, provando que havia aprendido a aproveitar as partes invisíveis e decrescentes do campo de onda para criar uma imagem clara.

O terceiro exemplo mostrou que o material poderia aprender a usar a fricção, ou amortecimento, a seu favor. Na maioria dos sistemas mecânicos, o amortecimento é visto como um incômodo que drena energia e interrompe o movimento. Aqui, os pesquisadores pediram à rede o oposto: usar uma quantidade fixa de amortecimento para criar um surto de movimento grande e agudo em um momento específico. Ao redistribuir a fricção pela rede, o material aprendeu a organizar suas vibrações internas para que elas interferissem construtivamente, criando um pico transitório poderoso na saída. Esse aumento não era possível com amortecimento uniforme ou padrão, provando que o material aprendeu uma maneira sofisticada e não convencional de gerenciar a dissipação de energia para atingir um objetivo específico.

Finalmente, os pesquisadores aplicaram a mesma regra de aprendizado a uma tarefa que se assemelha ao aprendizado de máquina: classificar sons. Eles alimentaram a rede com formas de onda de áudio de três sons de vogais diferentes e pediram que os classificasse em três categorias. A rede não foi programada com as regras da fonética ou do processamento de sinais. Em vez disso, foi simplesmente dito qual região de saída deveria acender para cada som. Através do mesmo processo de aprendizado local, o material ajustou seus parâmetros internos para reconhecer os padrões temporais únicos de cada vogal. Ele conseguiu direcionar com sucesso a energia do som correto para o canal de saída correto, alcançando alta precisidade na distinção das vogais. Isso demonstrou que o mesmo sistema físico poderia funcionar como um classificador, processando dados dependentes do tempo e tomando decisões baseadas em seu estado interno aprendido.

Estes resultados sugerem um novo paradigma para como projetamos e usamos materiais. Em vez de projetar uma estrutura específica para um trabalho específico, podemos fornecer a um material uma regra de aprendizado e um objetivo, e deixar que ele encontre a solução por conta própria. O framework une a lacuna entre materiais físicos e inteligência artificial, mostrando que as leis da física podem ser usadas para realizar computação e aprendizado diretamente no hardware. O material não apenas responde ao mundo; ele aprende com ele. Embora as demonstrações atuais dependam dos princípios de retropropagação física que podem ser implementados em hardware real, a abordagem oferece um caminho para materiais que podem se adaptar a ambientes em mudança, reparar suas próprias funções ou adquirir novas habilidades após terem sido construídos. A capacidade de aprender respostas temporais in situ significa que a próxima geração de materiais inteligentes pode não ser apenas programada por engenheiros, mas pode aprender a programar a si mesma.