Den Code für lernfähige Materialien knacken

Es ist leicht zu glauben, dass maschinelles Lernen ein vollständig digitales Phänomen ist, das durch Computer und Algorithmen ermöglicht wird, die gehirnähnliches Verhalten nachahmen können. Aber die ersten Maschinen waren analog und jetzt zeigt eine kleine, aber wachsende Zahl von Forschungsarbeiten, dass auch mechanische Systeme lernfähig sind. Physiker der University of Michigan haben den neuesten Einstieg in dieses Arbeitsgebiet geliefert.

Das UM-Team von Shuaifeng Li und Xiaoming Mao hat einen Algorithmus entwickelt, der einen mathematischen Rahmen für die Funktionsweise des Lernens in Gittern bietet, die als mechanische neuronale Netze bezeichnet werden.

„Wir sehen, dass Materialien selbstständig Aufgaben lernen und Berechnungen durchführen können“, sagte Li.

Die Forscher haben gezeigt, wie dieser Algorithmus verwendet werden kann, um Materialien zu „trainieren“, um Probleme zu lösen, beispielsweise die Identifizierung verschiedener Arten von Irispflanzen. Eines Tages könnten diese Materialien Strukturen schaffen, die in der Lage sind, noch komplexere Probleme zu lösen – etwa Flugzeugflügel, die ihre Form für unterschiedliche Windbedingungen optimieren –, ohne dass Menschen oder Computer zu Hilfe kommen.

Diese Zukunft liegt noch in weiter Ferne, aber Erkenntnisse aus der neuen Forschung der UM könnten auch Forschern außerhalb des Fachgebiets unmittelbare Inspiration bieten, sagte Li, ein Postdoktorand.

Der Algorithmus basiert auf einem Ansatz namens Backpropagation, der verwendet wurde, um Lernen sowohl in digitalen als auch in optischen Systemen zu ermöglichen. Aufgrund der scheinbaren Gleichgültigkeit des Algorithmus gegenüber der Art und Weise, wie Informationen übertragen werden, könnte er auch dazu beitragen, neue Wege zur Erforschung der Art und Weise zu eröffnen, wie lebende Systeme lernen, sagten die Forscher.

„Wir sehen den Erfolg der Backpropagation-Theorie in vielen physikalischen Systemen“, sagte Li. „Ich denke, dies könnte Biologen auch helfen zu verstehen, wie biologische neuronale Netzwerke bei Menschen und anderen Arten funktionieren.“

Li und Mao, Professor an der Fakultät für Physik der UM, veröffentlichten ihre neue Studie in der Zeitschrift Naturkommunikation.

MNNs 101

Die Idee, physische Objekte in Berechnungen zu verwenden, gibt es schon seit Jahrzehnten. Der Fokus auf mechanische neuronale Netze ist jedoch neuer, da das Interesse zusammen mit anderen jüngsten Fortschritten in der künstlichen Intelligenz zunimmt.

Die meisten dieser Fortschritte – und sicherlich die sichtbarsten – fanden im Bereich der Computertechnologie statt. Hunderte Millionen Menschen wenden sich jede Woche an KI-gestützte Chatbots wie ChatGPT, um Hilfe beim Schreiben von E-Mails, bei der Urlaubsplanung und mehr zu erhalten.

Diese KI-Assistenten basieren auf künstlichen neuronalen Netzen. Obwohl ihre Funktionsweise komplex und weitgehend verborgen ist, bieten sie eine nützliche Analogie zum Verständnis mechanischer neuronaler Netze, sagte Li.

Bei der Verwendung eines Chatbots gibt ein Benutzer einen Eingabebefehl oder eine Frage ein, die von einem neuronalen Netzwerkalgorithmus interpretiert wird, der in einem Computernetzwerk mit Unmengen an Rechenleistung läuft. Basierend auf den Erkenntnissen, die das System durch die Einwirkung riesiger Datenmengen gewonnen hat, generiert es eine Antwort bzw. Ausgabe, die auf dem Bildschirm des Benutzers angezeigt wird.

Ein mechanisches neuronales Netzwerk (MNN) verfügt über dieselben Grundelemente. Für die Studie von Li und Mao war der Input ein an einem Material befestigtes Gewicht, das als Verarbeitungssystem fungierte. Das Ergebnis war, wie das Material aufgrund des auf es einwirkenden Gewichts seine Form veränderte.

„Die Kraft ist die Eingabeinformation und das Material selbst ist wie der Prozessor, und die Verformung der Materialien ist die Ausgabe oder Reaktion“, sagte Li.

Für diese Studie waren die „Prozessor“-Materialien gummiartige 3D-gedruckte Gitter, die aus winzigen Dreiecken bestanden, die größere Trapeze ergaben. Die Materialien lernen, indem sie die Steifigkeit oder Flexibilität bestimmter Segmente innerhalb dieses Gitters anpassen.

Um ihre futuristischen Anwendungen zu realisieren – wie etwa Flugzeugflügel, die ihre Eigenschaften im laufenden Betrieb anpassen – müssen MNNs in der Lage sein, diese Segmente selbst anzupassen. Materialien, die das können, werden erforscht, man kann sie aber noch nicht über einen Katalog bestellen.

Also modellierte Li dieses Verhalten, indem er neue Versionen eines Prozessors mit einem dickeren oder dünneren Segment ausdruckte, um die gewünschte Reaktion zu erhalten. Der Hauptbeitrag der Arbeit von Li und Mao ist der Algorithmus, der ein Material anweist, wie diese Segmente angepasst werden sollen.

So trainieren Sie Ihr MNN

Obwohl die Mathematik hinter der Backpropagation-Theorie komplex sei, sei die Idee selbst intuitiv, sagte Li.

Um den Prozess in Gang zu setzen, müssen Sie wissen, was Ihre Eingaben sind und wie das System reagieren soll. Anschließend wenden Sie die Eingaben an und sehen, wie sich die tatsächliche Reaktion von der gewünschten unterscheidet. Das Netzwerk nimmt dann diese Differenz und nutzt sie, um darüber zu informieren, wie es sich selbst ändert, um in nachfolgenden Iterationen näher an die gewünschte Ausgabe zu kommen.

Mathematisch gesehen entspricht die Differenz zwischen der tatsächlichen Ausgabe und der gewünschten Ausgabe einem Ausdruck, der Verlustfunktion genannt wird. Durch die Anwendung eines mathematischen Operators namens Gradient auf diese Verlustfunktion lernt das Netzwerk, wie es sich ändern kann.

Li zeigte, dass seine MNNs diese Informationen liefern, wenn man weiß, wonach man suchen muss.

„Es kann Ihnen den Farbverlauf automatisch anzeigen“, sagte Li und fügte hinzu, dass er bei dieser Studie Hilfe von Kameras und Computercode erhalten habe. „Es ist wirklich praktisch und wirklich effizient.“

Stellen Sie sich den Fall vor, dass ein Gitter vollständig aus Segmenten mit gleicher Dicke und Steifigkeit besteht. Wenn Sie ein Gewicht an einem zentralen Knoten aufhängen – dem Punkt, an dem sich die Segmente treffen –, würden sich die benachbarten Knoten links und rechts aufgrund der Symmetrie des Systems um den gleichen Betrag nach unten bewegen.

Angenommen, Sie möchten stattdessen ein Gitter erstellen, das nicht nur eine asymmetrische, sondern die asymmetrischste Reaktion liefert. Das heißt, Sie wollten ein Netzwerk erstellen, das den maximalen Unterschied in der Bewegung zwischen einem Knoten links vom Gewicht und einem Knoten rechts davon ergibt.

Li und Mao verwendeten ihren Algorithmus und einen einfachen Versuchsaufbau, um das Gitter zu erstellen, das diese Lösung ergibt. (Eine weitere Ähnlichkeit mit der Biologie besteht darin, dass sich der Ansatz nur darum kümmert, was Verbindungen in der Nähe tun, ähnlich wie Neuronen funktionieren, sagte Li.)

Um noch einen Schritt weiter zu gehen, stellten die Forscher auch große Datensätze von Eingabekräften zur Verfügung, ähnlich wie beim maschinellen Lernen auf Computern, um ihre MNNs zu trainieren.

In einem Beispiel hierfür entsprachen unterschiedliche Eingabekräfte unterschiedlichen Größen von Blütenblättern und Blättern an Irispflanzen, die definierende Merkmale sind, die bei der Unterscheidung zwischen Arten helfen. Li könnte dann dem trainierten Gitter eine Pflanze unbekannter Art präsentieren und diese korrekt sortieren.

Und Li arbeitet bereits daran, die Komplexität des Systems und die Probleme, die es mithilfe von MNNs, die Schallwellen übertragen, lösen kann, auszubauen.

„Wir können so viel mehr Informationen in die Eingabe kodieren“, sagte Li. „Bei Schallwellen gibt es die Amplitude, die Frequenz und die Phase, die Daten kodieren können.“

Gleichzeitig untersucht das UM-Team auch breitere Klassen von Netzwerken in Materialien, einschließlich Polymeren und Nanopartikelanordnungen. Mit diesen können sie neue Systeme erstellen, in denen sie ihren Algorithmus anwenden und auf die Entwicklung vollständig autonomer lernender Maschinen hinarbeiten können.