{"id":23249,"date":"2024-06-01T04:59:47","date_gmt":"2024-06-01T02:59:47","guid":{"rendered":"https:\/\/test.cfdfeaservice.it\/index.php\/2024\/06\/01\/un-materiale-ai-che-impara-i-comportamenti-e-si-adegua\/"},"modified":"2024-06-01T04:59:47","modified_gmt":"2024-06-01T02:59:47","slug":"un-materiale-ai-che-impara-i-comportamenti-e-si-adegua","status":"publish","type":"post","link":"https:\/\/test.cfdfeaservice.it\/index.php\/2024\/06\/01\/un-materiale-ai-che-impara-i-comportamenti-e-si-adegua\/","title":{"rendered":"Un materiale AI che impara i comportamenti e si adegua"},"content":{"rendered":"
\n
\"\"<\/div>\n
\n

Una classe di materiali chiamati reti neurali meccaniche (MNN), che raggiungono una capacit\u00e0 di apprendimento regolando la rigidit\u00e0 dei loro fasci costituenti, prendendo spunto dalle reti neurali artificiali (ANN)<\/strong>.<\/p>\n

di Lisa Borreani<\/em><\/p>\n

Comportamenti Autonomi e Adattabilit\u00e0<\/h2>\n

A parte alcuni tessuti viventi, pochi materiali <\/a>possono imparare autonomamente a mostrare i comportamenti desiderati come conseguenza dell\u2019esposizione prolungata a scenari di carico ambientale imprevisti. Ancora meno materiali possono continuare a esibire comportamenti appresi in precedenza nel mezzo di condizioni mutevoli (ad esempio, livelli crescenti di danni interni, scenari di fissaggio variabili e carichi esterni fluttuanti) mentre acquisiscono anche nuovi comportamenti pi\u00f9 adatti alla situazione in questione.<\/p>\n

Proprio come un pianista che impara a suonare il proprio strumento senza guardare i tasti o un giocatore di basket che impiega innumerevoli ore di preparazione per lanciare un tiro in sospensione apparentemente senza sforzo, gli ingegneri meccanici dell\u2019UCLA<\/a> hanno progettato una nuova classe di materiale in grado di apprendere comportamenti diversi nel tempo e sviluppare una \u201cmemoria muscolare\u201d<\/strong> propria, che consente l\u2019adattamento in tempo reale alle diverse e variabili forze esterne.<\/p>\n

Prove e Studio delle MNN<\/h2>\n

E\u2019 stato costruito un reticolo di esempio per dimostrare la sua capacit\u00e0 di apprendere pi\u00f9 comportamenti meccanici contemporaneamente. \u00c8 stato poi condotto uno studio per determinare l\u2019effetto di dimensione del reticolo, configurazione dell\u2019imballaggio, tipo di algoritmo, numero di comportamento e sintonizzazione della rigidit\u00e0 lineare rispetto a quella non lineare sull\u2019apprendimento MNN come proposto. Pertanto, questo lavoro pone le basi per ottenere materiali artificiali intelligenti<\/strong> (AI) in grado di \u201cimparare\u201d comportamenti e assorbirne le propriet\u00e0.<\/p>\n

Composizione del Materiale e Applicazioni<\/h3>\n

Il materiale \u00e8 composto da un sistema strutturale formato da travi regolabili <\/strong>e movibili <\/strong>che possono alterarne la forma e i comportamenti in risposta a condizioni dinamiche. La scoperta, soluzione finale della ricerca, vanta applicazioni nella costruzione di edifici, aerei e tecnologie di imaging, e in altri settori ed \u00e8 stata resa pubblicata tramite gli articoli su Science Robotics<\/a>.<\/p>\n

\u201cQuesta ricerca introduce e dimostra l\u2019esistenza di un materiale artificiale intelligente che pu\u00f2 imparare e mettere in atto i comportamenti e le propriet\u00e0 desiderati in caso di maggiore esposizione alle condizioni ambientali\u201d<\/em>, ha affermato il professore di ingegneria meccanica e aerospaziale Jonathan Hopkins della UCLA Samueli School of Engineering<\/a> che ha guidato la ricerca. \u201cGli stessi principi fondamentali utilizzati nell\u2019apprendimento automatico vengono utilizzati per conferire a questo materiale le sue propriet\u00e0 intelligenti e adattive\u201d<\/em>.<\/p>\n

Potenziali Applicazioni Pratiche<\/h3>\n

Se il materiale venisse inserito nelle ali degli aerei, ad esempio, potrebbe imparare a modificare la forma delle ali in base al vento e alle turbolenze, in modo da migliorare l\u2019efficienza e la manovrabilit\u00e0 dell\u2019aereo. Le strutture edilizie con l\u2019infusione di questo materiale potrebbero anche autoregolare la rigidit\u00e0 in alcune aree del fabbricato per migliorare la loro stabilit\u00e0 complessiva durante un terremoto, disastri naturali o eventi imprevisti provocati dall\u2019uomo. Questo tipo di materiale potrebbe avere infinite applicazioni in modo da sfruttare la longevit\u00e0 e l\u2019efficienza dell\u2019oggetto su cui viene utilizzato.<\/p>\n

Reti Neurali Meccaniche e Apprendimento Automatico<\/h2>\n

Con l\u2019uso e adattando i concetti delle reti neurali artificiali (ANN) esistenti, che sono gli algoritmi che guidano l\u2019apprendimento automatico, i ricercatori hanno sviluppato gli equivalenti meccanici dei componenti ANN in un sistema interconnesso. La rete neurale meccanica<\/strong> (MNN), cos\u00ec denominata dal team di ricerca, \u00e8 costituita da raggi regolabili individualmente orientati in un reticolo triangolare. Ogni raggio \u00e8 dotato di bobina mobile, estensimetri e flessioni che consentono al raggio stesso di cambiare la sua lunghezza, adattarsi al suo ambiente mutevole in tempo reale e interagire con altri raggi nel sistema.<\/p>\n

\"\"<\/a>
Prototipo di rete neurale meccanica (MNN): (A) parti assemblate e (B) parti smontate<\/figcaption><\/figure>\n

Componenti del Sistema MNN<\/h3>\n

La bobina mobile, che prende il nome dal suo uso originale negli altoparlanti per convertire i campi magnetici in movimento meccanico, avvia la compressione o l\u2019espansione ottimizzata in risposta a nuove forze poste sul raggio. L\u2019estensimetro raccoglie i dati forniti dal movimento del raggio che vengono utilizzati nell\u2019algoritmo per controllare il comportamento di apprendimento. Le flessioni agiscono essenzialmente come giunti flessibili tra le travi mobili per collegare il sistema.<\/p>\n

Un algoritmo di ottimizzazione regola quindi l\u2019intero sistema prendendo i dati da ciascuno degli estensimetri e determinando una combinazione di valori di rigidit\u00e0. Essi controllano come la rete dovrebbe adattarsi alle forze applicate.<\/p>\n

Verifica e Sviluppo del Prototipo<\/h3>\n

Per verificare la validit\u00e0 del sistema monitorato da estensimetri, il team di ricerca ha utilizzato anche telecamere puntate sui nodi di uscita del sistema.<\/p>\n

I primi prototipi hanno mostrato un ritardo tra l\u2019input della forza applicata e l\u2019output della risposta MNN, che ha influito sulle prestazioni complessive del sistema. Il team ha testato pi\u00f9 iterazioni degli estensimetri e delle flessioni nelle travi, nonch\u00e9 diversi modelli e spessori reticolari prima di ottenere il progetto pubblicato. Quest\u2019ultimo \u00e8 riuscito a superare il ritardo presente nel prototipo e distribuire accuratamente la forza applicata in tutte le direzioni.<\/p>\n

Progetto e Problematiche<\/h3>\n

\u201cIdentificare i motivi per cui le reti non sono riuscite ad apprendere \u00e8 importante per capire come progettare MNN che apprendano con successo\u201d<\/em>, per questo i ricercatori hanno condiviso tra loro le varie risoluzioni del problema negli ultimi cinque anni dopo aver superato vari tentativi ed eliminato errori.<\/p>\n

Attualmente, il sistema ha all\u2019incirca le dimensioni di un forno a microonde, ma i ricercatori hanno in programma di semplificare il progetto MNN in modo che migliaia di reti possano essere prodotte su micro scala all\u2019interno di reticoli 3D per applicazioni materiali pratiche. <\/p>\n

Futuro delle MNN e Ulteriori Applicazioni<\/h3>\n

Oltre a utilizzare il materiale nei veicoli e nei materiali da costruzione, i ricercatori suggeriscono che gli MNN potrebbero anche essere incorporati in un\u2019armatura per deviare le onde d\u2019urto o nelle tecnologie di imaging acustico per sfruttare le onde sonore.<\/p>\n

La rete \u00e8 composta da 21 travi (ciascuna lunga 15 centimetri) disposte in una griglia o reticolo triangolare. Ogni singola trave \u00e8 dotata di un piccolo motore lineare in grado di alterarne la rigidit\u00e0, insieme a sensori che misurano quanto ogni \u201cneurone\u201d \u00e8 fuori dalla posizione. Pertanto, il computer \u00e8 in grado di addestrare la rete modificando la rigidit\u00e0 del raggio. Una volta completata, la struttura non necessita di calcoli esterni poich\u00e9 le rigidit\u00e0 della trave sono bloccate.<\/p>\n

\"\"<\/a>
Prototipo di rete neurale meccanica<\/figcaption><\/figure>\n

Commenti dei Ricercatori e Sviluppo del Modello<\/h2>\n

Ryan Lee \u00e8 un ricercatore in ingegneria meccanica e aerospaziale e membro del gruppo di ricerca del prof. Hopkins presso l\u2019UCLA e cos\u00ec commenta:<\/p>\n

\u201cIl nuovo materiale \u00e8 un progetto definito per ottenere le migliori propriet\u00e0 principalmente dalla geometria e dai tratti specifici del suo design, piuttosto che da ci\u00f2 di cui \u00e8 composto. Prendiamo ad esempio le chiusure in tessuto a strappo come il velcro. Non importa se \u00e8 fatto di cotone, plastica o qualsiasi altra sostanza: se un lato \u00e8 un tessuto con ganci rigidi e l\u2019altro lato \u00e8 morbido, si potranno sfruttare le propriet\u00e0 del velcro per unirli\u201d.<\/p>\n

Dettagli della Formazione e del Prototipo<\/h3>\n

La sua spiegazione prosegue nei dettagli: \u201cPer scoprire se un reticolo meccanico sarebbe in grado di adottare e mantenere nuove propriet\u00e0, come assumere una nuova forma o cambiare la forza direzionale, abbiamo iniziato costruendo un modello al computer. Abbiamo quindi selezionato una forma desiderata per il materiale e le forze di input e fatto regolare da un algoritmo informatico le tensioni delle connessioni in modo che le forze di input producessero la forma desiderata. Abbiamo svolto questa formazione su 200 diverse strutture reticolari e scoperto cos\u00ec che un reticolo triangolare era il migliore per ottenere tutte le forme che abbiamo testato.<\/em><\/p>\n

\"\"<\/a>
Confronto pre e post-calibrazione degli spostamenti indesiderati dei nodi di output della rete neurale meccanica (MNN) risultanti da combinazioni assegnate di valori di rigidit\u00e0 assiale.
\nOttanta combinazioni casuali ma valori diversi di rigidit\u00e0 assiale sono state assegnate ai 21 fasci regolabili e gli spostamenti risultanti dei nodi di output (ovvero, Nodo 1 e Nodo 2) sono tracciati prima (punti rossi) e dopo (puntini blu) calibrando ogni singolo raggio.<\/figcaption><\/figure>\n

Una volta che le numerose connessioni sono sintonizzate per raggiungere una serie di compiti, il materiale continuer\u00e0 a reagire nel modo desiderato. La formazione \u00e8 \u2013 in un certo senso \u2013 ricordata nella struttura stessa del materiale.<\/p>\n

E\u2019 stato quindi costruito un reticolo prototipo fisico con molle elettromeccaniche regolabili disposte in un reticolo triangolare. Il prototipo \u00e8 costituito da connessioni da 6 pollici ed \u00e8 lungo circa 2 piedi e largo 1\u00bd piedi e ha funzionato. Quando il reticolo e l\u2019algoritmo hanno lavorato insieme, il materiale \u00e8 stato in grado di apprendere e cambiare forma in modi particolari sottoposto a forze diverse. <\/em>\u201d<\/p>\n

\"\"<\/a>
Analisi ad elementi finiti (FEA) utilizzata per calcolare i valori di rigidezza passiva del raggio sintonizzabile lungo le sue direzioni non assiali.
\n(A) scorrimento fisso con carico di forza
\n(B) scorrimento bloccato con carico di forza
\n(C) scorrimento bloccato con scenari di caricamento del momento utilizzato per calcolare i valori di rigidezza passiva della trave lungo direzioni non assiali. <\/figcaption><\/figure>\n

Flexible Research Group<\/strong><\/h2>\n
\n
\"\"<\/a>
La rete neurale meccanica (MNN) progettata dagli ingegneri meccanici dell\u2019UCLA \u00e8 semplicemente un punto di partenza per lo sviluppo di materiali con capacit\u00e0 di intelligenza artificiale.<\/figcaption><\/figure>\n<\/div>\n

L\u2019obiettivo di ricerca del \u201cFlexible Research Group\u201d <\/strong>\u00e8 quello di consentire la progettazione e la successiva fabbricazione di strutture, meccanismi e materiali flessibili avanzati che raggiungano capacit\u00e0 straordinarie attraverso la deformazione degli elementi che li costituiscono originariamente. Tali sistemi sono intrinsecamente ripetibili, scalabili, sicuri per l\u2019uomo, a basso costo, di facile manutenzione, adattabili, leggeri, in grado di immagazzinare energia di deformazione o adattarsi alle imperfezioni e sono versatili nella cinematica che sono in grado di ottenere. Nonostante l\u2019importanza dei sistemi flessibili, la loro progettazione pu\u00f2 essere eccessivamente gravosa a causa del complesso sistema meccanico non lineare che ne governa il comportamento. Inoltre, la fabbricazione di sistemi flessibili pu\u00f2 essere difficile o impossibile tanto pi\u00f9 la loro geometria \u00e8 complessa, di forma irregolare, di dimensioni inferiori al micron e\/o possiede nella sua costituzione un numero ingestibile di elementi cedevoli. Le aree di particolare interesse per il nostro gruppo includono: materiali progettati (noti anche come metamateriali meccanici), di fabbricazione additiva per abilitare i sistemi microelettromeccanici basati su flessione<\/strong> (MEMS), sistemi di flessione di precisione, robot morbidi e dispositivi medici conformi.<\/p>\n

\"\"<\/a><\/figure>\n<\/div>\n

L’articolo Un materiale AI che impara i comportamenti e si adegua<\/a> sembra essere il primo su Il Progettista Industriale<\/a>.<\/p>\n<\/div>\n

Vai alla fonte.<\/a><\/p>\n

Autore: Roberta Falco<\/p>\n

Powered by WPeMatico<\/a><\/small><\/p>\n

_________________________________<\/strong><\/p>\n

CFD FEA Service SRL<\/strong> è una società di servizi che offre consulenza<\/em> e formazione<\/em> in ambito ingegneria<\/strong> e IT<\/strong>. Se questo post\/prodotto ti è piaciuto ti invitiamo a:<\/p>\n