UCLA makine mühendisleri, zaman içinde davranışları öğrenebilen ve kendi “kas hafızasını” geliştirebilen, değişen dış güçlere gerçek zamanlı adaptasyon sağlayan yeni bir malzeme sınıfı yarattı. Tıpkı tuşlara bakmadan enstrümanını çalmayı öğrenen bir piyanist ya da zahmetsiz görünen bir şut atmak için sayısız saat harcayan bir basketbol oyuncusu gibi.
Ayarlanabilir kirişlerden oluşan yapısal bir sistem, dinamik durumlara yanıt olarak şeklini ve davranışlarını değiştirebilen malzemeyi oluşturuyor. Binaların inşası, uçakların geliştirilmesi ve görüntüleme teknolojileri gibi alanlarda uygulamaları olan çalışmanın bulguları Science Robotics dergisinde yayımlandı.
Çalışmayı yöneten UCLA Samueli Mühendislik Okulu’ndan Profesör Jonathan Hopkins, “ortam koşullarına daha fazla maruz kaldığında gerekli davranışları ve nitelikleri sergilemeyi öğrenebilecek yapay bir akıllı malzemeyi tanıttığını ve gösterdiğini” söyledi. “Bu malzemenin akıllı ve uyarlanabilir özellikleri, makine öğreniminin altında yatan aynı temel kavramlar tarafından sağlanmaktadır.”
Uçağın etkinliğini ve manevra kabiliyetini artırmak için, örneğin uçak kanatlarında kullanılan malzeme, uçak havadayken rüzgarın yönüne bağlı olarak kanatların şeklini değiştirmeyi öğrenebilir. Bu malzeme aynı zamanda bir deprem veya diğer doğal ya da insan kaynaklı felaketler sırasında genel stabiliteyi artırmak için bir bina yapısının belirli bölgelerindeki sertliği kendi kendine ayarlayabilir.
Araştırmacılar, makine öğrenimine güç veren algoritmalar olan yapay sinir ağlarının (YSA) kavramlarını kullanarak ve uyarlayarak birbirine bağlı bir sistemde bu ağın bileşenlerinin mekanik temsillerini oluşturdular. Ekibin yarattığı mekanik sinir ağı (MNN), üçgen kafes düzeninde yerleştirilmiş ayrı ayrı programlanabilir kirişlerden oluşuyor. Ses bobini, gerinim ölçerler ve bükülmeler yardımıyla sistemdeki her bir kiriş uzunluğunu ayarlayabiliyor, çevresine gerçek zamanlı olarak yanıt verebiliyor ve diğer kirişlerle iletişim kurabiliyor.
Kirişe uygulanan ek kuvvetlere tepki olarak, adını manyetik alanları mekanik harekete dönüştürmek için hoparlörlerde ilk kez kullanılmasından alan ses bobini, hassas bir şekilde düzenlenmiş sıkıştırma veya genişletmeyi başlatır. Gerinim ölçer, öğrenme davranışını düzenlemek için algoritmada kullanılan kirişin hareketi hakkında bilgi toplamakla görevlidir. Sistemi birbirine bağlamak için, esneklikler hareketli kirişler arasında esnek bağlantılar olarak etkili bir şekilde hizmet eder.
Ağın uygulanan kuvvetlere nasıl tepki vermesi gerektiğini yönetmek için bir optimizasyon algoritması, sertlik değerlerinin bir kombinasyonunu belirlemek üzere her bir gerinim ölçerden gelen verileri kullanır.
Çalışma ekibi ayrıca gerinim ölçerle izlenen sistemin doğruluğunu doğrulamak için sistemin çıkış düğümlerine odaklanan kameralar kullandı.
İlk sistem prototipleri, uygulanan kuvvet girişi ile MNN yanıtının çıkışı arasında bir gecikme gösteriyordu ve bu da sistemin genel performansı üzerinde bir etkiye sahipti. Gecikmenin üstesinden gelen ve uygulanan kuvveti her yöne hassas bir şekilde dağıtan yayınlanmış tasarıma ulaşmadan önce ekip, kirişlerdeki gerinim ölçerlerin ve bükülmelerin yanı sıra çeşitli kafes desenleri ve kalınlıklarının çok sayıda yinelemesini test etti.
Sorunu çözmek için beş yıllık deneme-yanılma yaklaşımlarını anlatan araştırmacılara göre, başarılı bir şekilde öğrenen MNN’lerin nasıl inşa edileceğini anlamak için, [ağların] neden öğrenemediğini anlamak çok önemlidir.
Sistem şu anda bir mikrodalga fırın büyüklüğünde, ancak araştırmacılar MNN tasarımını daha basit hale getirmek istiyorlar, böylece binlerce ağ, yararlı malzeme uygulamaları için 3D kafeslerin içinde mikro ölçekte üretilebilir. Araştırmacılar, MNN’lerin otomobillerde ve inşaat malzemelerinde kullanılmasının yanı sıra şok dalgalarını saptırmak için bir zırha veya ses dalgalarını kullanmak için akustik görüntüleme teknolojilerine dahil edilebileceğini öne sürüyor.
Kaynak: techxplore – Ryan Lee – Erwin Mulder
