AvanTIReti neurali meccaniche per materiali in grado di apprendere

Un team di ingegneri meccanici dell’University of California (UCLA) ha sviluppato delle reti neurali artificiali per la progettazione di una classe di materiali intelligenti, destinati alla costruzione di edifici e mezzi di trasporto, in grado di apprendere in tempo reale una serie di comportamenti in risposta all’ambiente esterno e alle sue sollecitazioni, riuscendo a regolare, ad esempio, la rigidità della propria struttura. Lo studio è stato pubblicato sulla rivista Science Robotics.
I ricercatori dell’Ateneo californiano hanno ideato una rete fisica denominata “rete neurale meccanica”, o Mechanical Neural Network (MNN), data da reticoli di fasci sintonizzabili interconnessi che si uniscono in nodi guidati da input e output di forza o spostamento. I valori di rigidità dei fasci interconnessi sono sintonizzati come pesi di rete per addestrare i reticoli in modo tale che possano apprendere i comportamenti meccanici desiderati, tra cui l’alterazione della forma, della propagazione delle onde acustiche e delle proprietà di massa.
Questa rete neurale meccanica è stata messa a punto per la realizzazione di materiali architettonici capaci di apprendere a reagire all’esposizione prolungata a condizioni di carico ambientale impreviste. «Peculiarità delle reti neurali meccaniche è la presenza, all’interno, di numerosi strati di nodi, che sono analoghi ai neuroni all’interno delle reti neurali artificiali. Per cui, le MNN si comportano come reti neurali profonde, abilitate ad apprendere contemporaneamente molteplici comportamenti complessi», hanno spiegato i ricercatori. In questo modo, se un materiale architettonico intelligente viene danneggiato, tagliato o fissato in modo improprio, esso può riapprendere comportamenti precedentemente acquisiti o acquisirne di nuovi, secondo le condizioni ambientali alle quali è esposto.
Al fine di testare l’apprendimento della Mechanical Neural Network, i fasci sintonizzabili sono stati fabbricati e assemblati all’interno di un reticolo, in cui i sensori esterni sono dati da due telecamere che rilevano e misurano gli spostamenti dei nodi di output. In particolare, la rete neurale meccanica è stata utilizzata per dimostrare che un reticolo triangolare di 21 fasci sintonizzabili è capace di apprendere contemporaneamente due diversi comportamenti di morphing sinusoidale. La simulazione ha dimostrano che più strati possiede la Mechanical Neural Network e meno comportamenti casuali è chiamata ad apprendere simultaneamente e più accuratamente è in grado di apprendere, con una media di errore molto bassa. Inoltre, la simulazione ha evidenziato che, per quel concerne la forma geometrica dei reticoli, quelli triangolari apprendono in modo più accurato rispetto ai reticoli quadrati.
Uno dei futuri obbiettivi dei ricercatori è arrivare a una semplificazione della progettazione delle reti neurali meccaniche. In particolare, il team vuole giungere allo sviluppo di migliaia di reti su micro scala all’interno di reticoli 3D, per applicazioni pratiche dei materiali. Queste possono riguardare la produzione di materiali da costruzione per l’edilizia e per mezzi di trasporto, specie aeromobili. Ad esempio, un possibile utilizzo potrebbe includere le ali degli aerei, che sarebbero così in grado di trasformare il proprio profilo alare in risposta a determinati scenari di carico del vento, in modo tale che l’aeromobile raggiunga una maggiore efficienza e manovrabilità man mano che accumula esperienza di volo.