Un nouveau type de matériau peut apprendre et améliorer sa capacité à faire face à des forces inattendues grâce à une structure en treillis unique avec des connexions de rigidité variable, comme décrit dans un nouvel article par mes collègues et moi.
Le nouveau matériau est un type de matériau architecturé, qui tire ses propriétés principalement de la géométrie et des caractéristiques spécifiques de sa conception plutôt que de ce dont il est fait. Prenez les fermetures en tissu auto-agrippant comme le velcro, par exemple. Peu importe qu’il soit en coton, en plastique ou en toute autre substance. Tant qu’un côté est un tissu avec des crochets rigides et que l’autre côté a des boucles moelleuses, le matériau aura les propriétés collantes du Velcro.
Mes collègues et moi avons basé l’architecture de notre nouveau matériau sur celle d’un réseau de neurones artificiels – des couches de nœuds interconnectés qui peuvent apprendre à faire des tâches en modifiant l’importance ou le poids qu’ils accordent à chaque connexion. Nous avons émis l’hypothèse qu’un réseau mécanique avec des nœuds physiques pourrait être formé pour prendre certaines propriétés mécaniques en ajustant la rigidité de chaque connexion.
Pour savoir si un réseau mécanique serait capable d’adopter et de conserver de nouvelles propriétés, comme prendre une nouvelle forme ou changer de force directionnelle, nous avons commencé par construire un modèle informatique. Nous avons ensuite sélectionné une forme souhaitée pour le matériau ainsi que les forces d’entrée et avons fait régler par un algorithme informatique les tensions des connexions afin que les forces d’entrée produisent la forme souhaitée. Nous avons fait cette formation sur 200 structures de treillis différentes et avons constaté qu’un treillis triangulaire était le meilleur pour obtenir toutes les formes que nous avons testées.
Une fois que les nombreuses connexions sont réglées pour réaliser un ensemble de tâches, le matériel continuera à réagir de la manière souhaitée. La formation est – en un sens – rappelée dans la structure du matériel lui-même.
Nous avons ensuite construit un réseau prototype physique avec des ressorts électromécaniques réglables disposés dans un réseau triangulaire. Le prototype est composé de connexions de 6 pouces et mesure environ 2 pieds de long sur 1 ½ pied de large. Et cela a fonctionné. Lorsque le réseau et l’algorithme fonctionnaient ensemble, le matériau était capable d’apprendre et de changer de forme de manière particulière lorsqu’il était soumis à différentes forces. Nous appelons ce nouveau matériau un réseau neuronal mécanique.
Outre certains tissus vivants, très peu de matériaux peuvent apprendre à mieux gérer les charges imprévues. Imaginez une aile d’avion qui attrape soudainement une rafale de vent et est forcée dans une direction imprévue. L’aile ne peut pas changer sa conception pour être plus solide dans cette direction.
Le matériau de réseau prototype que nous avons conçu peut s’adapter à des conditions changeantes ou inconnues. Dans une aile, par exemple, ces changements pourraient être l’accumulation de dommages internes, des changements dans la façon dont l’aile est attachée à un engin ou des charges externes fluctuantes. Chaque fois qu’une aile constituée d’un réseau neuronal mécanique faisait l’expérience de l’un de ces scénarios, elle pouvait renforcer et assouplir ses connexions pour conserver les attributs souhaités comme la force directionnelle. Au fil du temps, au fil des ajustements successifs effectués par l’algorithme, l’aile adopte et conserve de nouvelles propriétés, ajoutant chaque comportement au reste comme une sorte de mémoire musculaire.
Ce type de matériau pourrait avoir des applications de grande envergure pour la longévité et l’efficacité des structures construites. Non seulement une aile constituée d’un matériau de réseau neuronal mécanique pourrait être plus solide, mais elle pourrait également être formée pour se transformer en formes qui maximisent l’efficacité énergétique en réponse aux conditions changeantes qui l’entourent.
Jusqu’à présent, notre équipe n’a travaillé qu’avec des réseaux 2D. Mais en utilisant la modélisation informatique, nous prédisons que les réseaux 3D auraient une capacité d’apprentissage et d’adaptation beaucoup plus grande. Cette augmentation est due au fait qu’une structure 3D pourrait avoir des dizaines de fois plus de connexions, ou de ressorts, qui ne se croisent pas. Cependant, les mécanismes que nous avons utilisés dans notre premier modèle sont beaucoup trop complexes pour être pris en charge dans une grande structure 3D.
Le matériel que mes collègues et moi avons créé est une preuve de concept et montre le potentiel des réseaux de neurones mécaniques. Mais pour transposer cette idée dans le monde réel, il faudra trouver comment rendre les pièces individuelles plus petites et avec des propriétés précises de flexion et de tension.
Nous espérons que de nouvelles recherches dans le fabrication de matériaux à l’échelle du micronainsi que travailler sur nouveaux matériaux à rigidité réglableconduira à des avancées qui feront de puissants réseaux de neurones mécaniques intelligents avec des éléments à l’échelle du micron et des connexions 3D denses une réalité omniprésente dans un avenir proche.
Cet article est republié de La conversation sous licence Creative Commons. Lis le article original.