TECNOLOGÍA. Un nuevo tipo de material puede aprender y cambiar sus propiedades físicas para crear estructuras fuertes y adaptables

red neuronal mecánica

 

Los materiales arquitectónicos, como esta celosía 3D, obtienen sus propiedades no de lo que están hechos, sino de su estructura. Ryan Lee , CC BY-ND

Un nuevo tipo de material puede aprender y mejorar su capacidad para hacer frente a fuerzas inesperadas gracias a una estructura de celosía única con conexiones de rigidez variable, como se describe en un nuevo artículo .

20 octubre 2020.- El nuevo material es un tipo de material de arquitectura, que obtiene sus propiedades principalmente de la geometría y los rasgos específicos de su diseño más que de lo que está hecho. Tome cierres de tela de velcro, por ejemplo. No importa si está hecho de algodón, plástico o cualquier otra sustancia. Siempre que un lado sea una tela con ganchos rígidos y el otro lado tenga bucles esponjosos, el material tendrá las propiedades adhesivas del velcro.

Los investigadores basaron la arquitectura del nuevo material en la de una red neuronal artificial: capas de nodos interconectados que pueden aprender a realizar tareas cambiando la importancia o el peso que le dan a cada conexión. Asumieron que una red mecánica con nodos físicos podría entrenarse para adquirir ciertas propiedades mecánicas ajustando la rigidez de cada conexión.

Para averiguar si una red mecánica podría adoptar y mantener nuevas propiedades, como adoptar una nueva forma o cambiar la fuerza direccional, comenzaron construyendo un modelo de computadora. Luego, seleccionaron la forma deseada para el material, así como las fuerzas de entrada, y un algoritmo de computadora ajustó las tensiones de las conexiones para que las fuerzas de entrada produjeran la forma deseada. Probaron esta técnica en 200 estructuras de celosía diferentes y descubrieron que una celosía triangular era la mejor para lograr todas las formas probadas.

Una vez que se sintonizan las muchas conexiones para lograr un conjunto de tareas, el material continuará reaccionando de la manera deseada. El entrenamiento es, en cierto sentido, recordado en la estructura del material mismo.

Luego construyeron un prototipo físico de celosía con resortes electromecánicos ajustables dispuestos en una celosía triangular. El prototipo está hecho de conexiones de 15 cm y mide aproximadamente 60 cm por 15 cm de ancho. Y funcionó. 

Cuando la red y el algoritmo trabajaron juntos, el material pudo aprender y cambiar de forma de formas particulares cuando se sometió a diferentes fuerzas. Llamaron a este nuevo material una red neuronal mecánica.

El prototipo es 2D, pero una versión 3D de este material podría tener muchos usos. Jonathan Hopkins , CC BY-ND

Por qué importa

Además de algunos tejidos vivos , muy pocos materiales pueden aprender a ser mejores para lidiar con cargas imprevistas. Imagine el ala de un avión que de repente recibe una ráfaga de viento y se ve forzada en una dirección imprevista. El ala no puede cambiar su diseño para ser más fuerte en esa dirección.

El prototipo de material reticular diseñado puede adaptarse a condiciones cambiantes o desconocidas. En un ala, por ejemplo, estos cambios podrían ser la acumulación de daños internos, cambios en la forma en que el ala está unida a una nave o cargas externas fluctuantes. Cada vez que un ala hecha de una red neuronal mecánica experimente uno de estos escenarios, podría fortalecer y suavizar sus conexiones para mantener los atributos deseados como la fuerza direccional. Con el tiempo, a través de los sucesivos ajustes que realiza el algoritmo, el ala adopta y mantiene nuevas propiedades, sumando cada comportamiento al resto a modo de memoria muscular.

Este tipo de material podría tener aplicaciones de gran alcance para la longevidad y la eficiencia de las estructuras construidas. Un ala hecha de un material de red neuronal mecánica no solo podría ser más fuerte, sino que también podría entrenarse para transformarse en formas que maximicen la eficiencia del combustible en respuesta a las condiciones cambiantes a su alrededor.

Lo que aún no se sabe

Hasta ahora, el equipo investigador ha trabajado solo con celosías 2D. Pero utilizando modelos informáticos, creen que las redes 3D tendrían una capacidad de aprendizaje y adaptación mucho mayor. Este aumento se debe al hecho de que una estructura 3D podría tener decenas de veces más conexiones, o resortes, que no se cruzan entre sí. Sin embargo, los mecanismos empleados en el primer modelo son demasiado complejos para admitirlos en una gran estructura 3D.

Qué sigue

El material creado por los investigadores es una prueba de concepto y muestra el potencial de las redes neuronales mecánicas. Pero llevar esta idea al mundo real requerirá descubrir cómo hacer que las piezas individuales sean más pequeñas y con propiedades precisas de flexión y tensión.

Las nuevas investigaciones en la fabricación de materiales a escala micrométrica , así como el trabajo en nuevos materiales con rigidez ajustable , pueden conducir a avances que hagan que las potentes redes neuronales mecánicas inteligentes con elementos a escala micrométrica y conexiones 3D densas sean una realidad omnipresente en un futuro cercano.

Fuente: Ryan H. Lee, et al. "Mechanical neural networks: Architected materials that learn behaviors". Science Robotics, 19 Oct. 2022. DOI: 10.1126/scirobotics.abq727