به گزارش گروه علم و آموزش ایران اکونومیست از وبگاه سای‌تِک‌دِیلی (SciTechDaily)، مهندسان مکانیک دانشگاه کالیفرنیا، لس‌آنجلس در آمریکا، ماده جدیدی را طراحی کرده‌اند که می‌تواند رفتارها را در طول زمان یاد بگیرد و «حافظه عضلانی» خود را توسعه دهد و با تغییر نیروهای خارجی، امکان انطباق بی‌درنگ را فراهم می‌کند، دقیقاً مانند نوازندگان پیانو که یاد می‌گیرند بدون نگاه‌کردن به کلیدها بنوازند یا بازیکنان بسکتبال که برای یک پرتاب به ظاهر آسان، ساعت‌های بی‌شماری تمرین می‌کنند.
این ماده از یک سیستم ساختاری با تیرهای (beams) تنظیم‌شدنی ساخته شده است که این امکان را به ماده می‌دهد که شکل و رفتار خود را در پاسخ به شرایط دینامیکی تغییر دهد. نتایج این پژوهش، که در ساخت ساختمان‌ها، طراحی هواپیماها و فناوری‌های تصویربرداری کاربردهایی دارد، به‌تازگی در مجله علم رباتیک (Science Robotics) منتشر شده است.
به گفته محققان، این پژوهش یک ماده هوشمند مصنوعی را معرفی می‌کند که می‌تواند رفتارها و خواص مطلوب را در مواجهه با شرایط محیطی نشان دهد. از اصول اساسی استفاده‌شده در یادگیری ماشین، برای ایجاد ویژگی‌های هوشمندانه و تطبیقی به این ماده استفاده شده است؛ مثلاً هنگامی که این ماده در بال‌های هواپیما استفاده می‌شود، ممکن است یاد بگیرد که شکل بال‌ها را با توجه به الگوی باد در طول پرواز تغییر دهد تا کارایی و مانورپذیری هواپیما بهبود یابد. این ماده همچنین ممکن است صلبیت (rigidity) را در نواحی خاصی از سازه ساختمان تنظیم کند تا پایداری کلی را در هنگام زلزله یا سایر بلایای طبیعی یا انسان‌ساز افزایش دهد.
تصویری از شبکه عصبی مکانیکیمحققان با استفاده از مفاهیم شبکه عصبی مصنوعی (ANN) که الگوریتم‌هایی هستند که یادگیری ماشین را هدایت می‌کنند و تغییر آن‌ها، اجزای معادل مکانیکی شبکه عصبی مصنوعی را در یک سیستم به‌هم پیوسته طراحی کردند. شبکه عصبی مکانیکی (MNN) طراحی‌شده توسط این تیم پژوهشی، از تیرهای تنظیم‌شدنی جداگانه تشکیل شده است که در یک الگوی شبکه مثلثی مرتب شده‌اند. هر تیر مجهز به یک سیم‌پیچ صوتی، کرنش‌سنج و خمشی است که به آن اجازه می‌دهد طول را تغییر دهد، با محیط در حال تغییر خود بی‌درنگ سازگار شود و با تیرهای دیگر در سیستم تعامل داشته باشد.
در حال حاضر، این سیستم تقریباً به اندازه یک اجاق مایکرووِیو است؛ اما محققان قصد دارند طراحی شبکه عصبی مکانیکی را ساده کنند تا هزاران شبکه بتوانند در مقیاس میکرو در شبکه‌های سه‌بعدی برای کاربردهای مواد عملی تولید شوند.
محققان معتقدند غیر از وسایل نقلیه و مصالح ساختمانی می‌توان از شبکه‌های عصبی مکانیکی، در زره‌پوش‌ها (برای انحراف امواج ضربه‌ای) یا در فناوری‌های تصویربرداری صوتی (برای مهار امواج صوتی) نیز استفاده کرد.
