A mais recente pesquisa de IA da UCLA aprende comportamentos e se ajusta a mudanças nas circunstâncias e adquire memória muscular.
Uma nova classe de material criada por engenheiros da UCLA pode aprender comportamentos ao longo do tempo e desenvolver sua própria “memória muscular”, permitindo uma resposta em tempo real para mudar os estímulos externos. O material é constituído por um sistema estrutural com vigas ajustáveis que podem alterar o seu comportamento e a sua forma. De acordo com o professor de engenharia mecânica e aeroespacial da Escola de Engenharia da UCLA Samueli, Jonathan Hopkins, “esta pesquisa apresenta e demonstra um material inteligente artificial que pode aprender a exibir os comportamentos e propriedades desejados mediante maior exposição às condições ambientais”. “As propriedades inteligentes e adaptativas deste material são fornecidas pelos mesmos princípios fundamentais que fundamentam o aprendizado de máquina.”
Para maior eficiência e capacidade de manobra, o material pode ser usado em asas de aeronaves para aprender a mudar a forma das asas com base nos padrões de vento enquanto a aeronave está em vôo. Estruturas impregnadas com essa substância também podem se adaptar a desastres naturais como terremotos. O grupo usou ideias de redes neurais artificiais (ANNs) existentes, que são os algoritmos que alimentam o aprendizado de máquina, e as modificou para criar representações mecânicas de elementos de ANN em um sistema em rede. Uma estrutura de treliça triangular de feixes individualmente programáveis compõe a rede neural mecânica (MNN). Uma bobina de voz, medidores de tensão e flexões são incorporados em cada viga, permitindo que ela modifique seu comprimento, ajuste instantaneamente ao seu ambiente e se comunique com outras vigas no sistema.
Em resposta a novas forças aplicadas ao feixe, a bobina de voz inicia a compressão ou expansão ajustada. O extensômetro é responsável por coletar informações do movimento da viga que é empregada no algoritmo para governar o comportamento de aprendizado. Depois de extrair informações de cada strain gauge e combiná-las com outras variáveis de rigidez para determinar como a rede deve responder às forças aplicadas, um algoritmo de otimização controla o sistema como um todo.
Os primeiros protótipos do sistema mostraram um atraso entre a entrada da força aplicada e a saída da resposta do MNN, o que teve um impacto no desempenho geral do sistema. Antes de chegar ao projeto publicado que resolveu o problema, os pesquisadores testaram várias iterações dos extensômetros, flexões nas vigas e vários padrões/espessuras de treliça. A equipe quer reduzir a complexidade do projeto MNN para que milhares de redes possam ser produzidas em microescala dentro de redes 3D para aplicações materiais úteis. Atualmente, o sistema tem aproximadamente o tamanho de um forno de micro-ondas. Os MNNs também podem ser usados em armaduras para absorver ondas de choque e em técnicas de imagem acústica para capturar ondas sonoras.
Os resultados do estudo, que podem ter impacto na aviação, tecnologias de imagem e construção civil, foram divulgados na Science Robotics na quarta-feira. A investigação experimental, de acordo com os autores, estabelece as bases para materiais arquitetados por IA que podem ser aplicados à criação de estruturas, aviões e tecnologias de imagem. O primeiro conceito teórico para redes neurais foi feito em 1944 por Warren McCullough e Walter Pitts, dois pesquisadores da Universidade de Chicago que finalmente se transferiram para o MIT em 1952. rede, que pode consistir em centenas ou mesmo milhões deles. A maioria das redes neurais atuais consiste em camadas de nós com uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída.
Antes deste estudo, pesquisadores anteriores propuseram metamateriais acústicos como o sistema de computação analógica acústica (AAC), mas como não são redes neurais, são incapazes de aprender. Um metamaterial acústico que imita o comportamento de uma rede neural treinada foi proposto por Tyler Hughes et al. em 2019. No entanto, enquanto o treinamento é feito durante a fase de projeto, modelando a modificação da massa dentro de uma placa vibratória, uma versão manufaturada do projeto sugerido não conseguiu aprender novos comportamentos. Esta é a primeira vez que o conceito de rede neural mecânica descrito neste artigo da UCLA foi comprovado física e experimentalmente, apesar do fato de que abordagens mecânicas alternativas também foram propostas e testadas durante os últimos dois anos usando apenas simulação.
Mais informações
source – www.analyticsinsight.net
