加州大學洛杉磯分校的機械工程師們創造了一種新的材料，它可以隨著時間的推移學習行為，並發展出自己的”肌肉記憶”，允許實時適應不斷變化的外力，就像鋼琴家不用看琴鍵就能學會彈奏他們的樂器，或者籃球運動員投入無數時間後來投擲一個看似毫不費力的跳投。

這種材料是由一個帶有可調諧樑的結構系統構成的，使其能夠根據動態環境改變其形狀和行為。這項研究的結果最近發表在《科學機器人》雜誌上，它對建築物的建造、飛機的開發和成像技術等方面都有影響。

領導這項研究的加州大學洛杉磯分校塞繆里工程學院的機械和航空航天工程教授喬納森-霍普金斯說：”這項研究引入並展示了一種人工智能材料，它可以在增加暴露於環境條件下學習表現出理想的行為和特性。用於機器學習的相同基礎原則被用來賦予這種材料的智能和適應性。”

例如，當這種材料用於飛機機翼時，它可以學習根據飛行過程中的風向變形機翼的形狀，以提高飛機的燃油效率和操作穩定性。這種材料也可以在建築結構的某些區域自我調整硬度，以便在地震或其他自然或人為災害中提高整體穩定性。

研究人員通過使用和修改現有人工神經網絡（ANN）的概念，在一個相互連接的系統中創建了人工神經網絡（ANN）組件的機械等價物，ANN是驅動機器學習的算法。該團隊的創造，即機械神經網絡（MNN），是由以三角格子模式排列的單獨可調整的梁組成的。每根橫樑都配備了音圈、應變片和撓性裝置，使其能夠改變長度，實時適應其不斷變化的環境，並與系統中的其他橫梁互動。

資料來源：加州大學洛杉磯分校的靈活研究小組

音圈的名字來自於最初在揚聲器中用於將磁場轉換為機械運動的裝置，它可以實現微小的壓縮或膨脹，以響應施加於樑上的新力。應變片負責從樑的運動中收集數據，用於控制學習行為的算法，撓性體充當了可移動梁之間的柔性接頭，以連接系統。

然後，一個優化算法通過從每個應變片中獲取數據並確定剛性值的組合來調節整個系統，以控製網絡應如何適應施加的力。

為了檢查應變片監測系統的有效性，研究小組還使用了在系統的輸出節點上訓練的攝像機。

該系統的早期原型在應用力的輸入和MNN響應的輸出之間表現出滯後，這影響了系統的整體性能。該團隊測試了樑上的應變片和撓性片的多次迭代，以及不同的晶格模式和厚度，然後實現了他們公佈的設計，該設計設法克服了滯後性，並在所有方向上準確地分配應用力。

“確定[網絡]學習失敗的原因對於理解如何設計成功學習的MNN很重要，”研究人員分享了他們在過去五年中如何通過試驗和錯誤解決這個問題。

目前，該系統大約有一個微波爐大小，但研究人員計劃簡化MNN設計，以便在三維晶格內的微觀尺度上製造成千上萬的網絡，用於實際材料應用。除了在車輛和建築材料中使用這種材料之外，研究人員建議MNNs也可以被納入防護服以抵禦衝擊波，或者被納入聲學成像技術以利用聲波。