Déchiffrer le code des matériaux qui peuvent apprendre

Il est facile de penser que l’apprentissage automatique est un phénomène entièrement numérique, rendu possible par des ordinateurs et des algorithmes capables d’imiter les comportements du cerveau. Mais les premières machines étaient analogiques et aujourd’hui, un nombre restreint mais croissant de recherches montrent que les systèmes mécaniques sont également capables d’apprendre. Les physiciens de l’Université du Michigan sont les derniers à avoir accédé à ce domaine de travail.

L’équipe UM de Shuaifeng Li et Xiaoming Mao a conçu un algorithme qui fournit un cadre mathématique pour le fonctionnement de l’apprentissage dans des réseaux appelés réseaux de neurones mécaniques.

« Nous constatons que les matériaux peuvent apprendre des tâches par eux-mêmes et effectuer des calculs », a déclaré Li.

Les chercheurs ont montré comment cet algorithme peut être utilisé pour « entraîner » des matériaux afin de résoudre des problèmes, tels que l’identification de différentes espèces d’iris. Un jour, ces matériaux pourraient créer des structures capables de résoudre des problèmes encore plus avancés, tels que des ailes d’avion qui optimisent leur forme en fonction de différentes conditions de vent, sans que les humains ou les ordinateurs n’interviennent.

Cet avenir est loin, mais les enseignements tirés des nouvelles recherches de l’UM pourraient également fournir une inspiration plus immédiate aux chercheurs extérieurs à ce domaine, a déclaré Li, chercheur postdoctoral.

L’algorithme est basé sur une approche appelée rétropropagation, qui a été utilisée pour permettre l’apprentissage dans les systèmes numériques et optiques. En raison de l’indifférence apparente de l’algorithme quant à la manière dont les informations sont transportées, il pourrait également contribuer à ouvrir de nouvelles voies d’exploration de la manière dont les systèmes vivants apprennent, ont déclaré les chercheurs.

« Nous constatons le succès de la théorie de la rétropropagation dans de nombreux systèmes physiques », a déclaré Li. « Je pense que cela pourrait également aider les biologistes à comprendre comment fonctionnent les réseaux neuronaux biologiques chez les humains et d’autres espèces. »

Li et Mao, professeur au département de physique de l’UM, ont publié leur nouvelle étude dans la revue Communications naturelles.

MNN 101

L’idée d’utiliser des objets physiques dans le calcul existe depuis des décennies. Mais l’intérêt porté aux réseaux de neurones mécaniques est plus récent, avec un intérêt croissant parallèlement à d’autres avancées récentes en matière d’intelligence artificielle.

La plupart de ces avancées, et certainement les plus visibles, concernent le domaine de la technologie informatique. Des centaines de millions de personnes se tournent chaque semaine vers des chatbots basés sur l’IA, tels que ChatGPT, pour obtenir de l’aide pour rédiger des e-mails, planifier des vacances et bien plus encore.

Ces assistants IA sont basés sur des réseaux de neurones artificiels. Bien que leur fonctionnement soit complexe et largement caché, ils fournissent une analogie utile pour comprendre les réseaux neuronaux mécaniques, a déclaré Li.

Lorsqu’il utilise un chatbot, un utilisateur saisit une commande ou une question d’entrée, qui est interprétée par un algorithme de réseau neuronal exécuté sur un réseau informatique doté d’une grande puissance de traitement. Sur la base de ce que ce système a appris en étant exposé à de grandes quantités de données, il génère une réponse, ou sortie, qui apparaît sur l’écran de l’utilisateur.

Un réseau de neurones mécaniques, ou MNN, possède les mêmes éléments de base. Pour l’étude de Li et Mao, l’intrant était un poids apposé sur un matériau, qui fait office de système de traitement. Le résultat était la façon dont le matériau changeait de forme en raison du poids agissant sur lui.

« La force est l’information d’entrée et le matériau lui-même est comme le processeur, et la déformation des matériaux est la sortie ou la réponse », a déclaré Li.

Pour cette étude, les matériaux du « processeur » étaient des réseaux caoutchouteux imprimés en 3D, constitués de minuscules triangles formant des trapèzes plus grands. Les matériaux apprennent en ajustant la rigidité ou la flexibilité de segments spécifiques au sein de ce réseau.

Pour réaliser leurs applications futuristes, comme les ailes d’avion qui ajustent leurs propriétés à la volée, les MNN devront être capables d’ajuster eux-mêmes ces segments. Les matériaux permettant cela sont en cours de recherche, mais vous ne pouvez pas encore les commander à partir d’un catalogue.

Li a donc modélisé ce comportement en imprimant de nouvelles versions d’un processeur avec un segment plus épais ou plus fin pour obtenir la réponse souhaitée. La principale contribution du travail de Li et Mao est l’algorithme qui indique à un matériau comment adapter ces segments.

Comment former votre MNN

Bien que les mathématiques derrière la théorie de la rétropropagation soient complexes, l’idée elle-même est intuitive, a déclaré Li.

Pour lancer le processus, vous devez savoir quelle est votre contribution et comment vous souhaitez que le système réagisse. Vous appliquez ensuite l’entrée et voyez en quoi la réponse réelle diffère de ce qui est souhaité. Le réseau prend ensuite cette différence et l’utilise pour indiquer comment il se modifie pour se rapprocher du résultat souhaité au cours des itérations suivantes.

Mathématiquement, la différence entre la sortie réelle et la sortie souhaitée correspond à une expression appelée fonction de perte. C’est en appliquant un opérateur mathématique appelé gradient à cette fonction de perte que le réseau apprend à changer.

Li a montré que si vous savez quoi rechercher, ses MNN fournissent cette information.

« Il peut vous montrer automatiquement le dégradé », a déclaré Li, ajoutant qu’il avait bénéficié de l’aide de caméras et de codes informatiques pour cette étude. « C’est vraiment pratique et c’est vraiment efficace. »

Considérons le cas où un treillis est entièrement composé de segments d’épaisseur et de rigidité égales. Si vous suspendez un poids à un nœud central (le point de rencontre des segments), ses nœuds voisins à gauche et à droite descendraient du même montant en raison de la symétrie du système.

Mais supposons plutôt que vous souhaitiez créer un réseau qui vous donne non seulement une réponse asymétrique, mais la réponse la plus asymétrique. Autrement dit, vous vouliez créer un réseau qui donne la différence maximale de mouvement entre un nœud à gauche du poids et un nœud à sa droite.

Li et Mao ont utilisé leur algorithme et une configuration expérimentale simple pour créer le réseau qui donne cette solution. (Une autre similitude avec la biologie est que l’approche ne se soucie que de ce que font les connexions proches, de la même manière que les neurones fonctionnent, a déclaré Li.)

Pour aller plus loin, les chercheurs ont également fourni de vastes ensembles de données sur les forces d’entrée, semblables à ce qui se fait dans l’apprentissage automatique sur ordinateur, pour former leurs MNN.

Dans un exemple, différentes forces d’entrée correspondaient à différentes tailles de pétales et de feuilles sur les plantes d’iris, qui définissent des caractéristiques permettant de différencier les espèces. Li pourrait alors présenter une plante d’espèce inconnue au réseau formé et celui-ci pourrait la trier correctement.

Et Li travaille déjà à accroître la complexité du système et les problèmes qu’il peut résoudre en utilisant des MNN qui transportent des ondes sonores.

« Nous pouvons coder bien plus d’informations dans l’entrée », a déclaré Li. « Avec les ondes sonores, vous disposez de l’amplitude, de la fréquence et de la phase qui peuvent coder les données. »

Parallèlement, l’équipe de l’UM étudie également des classes plus larges de réseaux dans les matériaux, notamment les polymères et les assemblages de nanoparticules. Avec ceux-ci, ils peuvent créer de nouveaux systèmes dans lesquels ils peuvent appliquer leur algorithme et travailler à la réalisation de machines d’apprentissage entièrement autonomes.