Сможете ли вы сгладить трехмерное оригами, не повредив его? Просто взглянув на дизайн, трудно предсказать ответ, потому что каждая складка в дизайне должна быть совместима со сглаживанием.
Это пример комбинаторной задачи. Новое исследование, проведенное Институтом физики Университета штата Калифорния и исследовательским институтом AMOLF, показало, что алгоритмы машинного обучения могут точно и эффективно отвечать на такие вопросы. Ожидается, что это даст толчок развитию разработки сложных и функциональных (мета)материалов с помощью искусственного интеллекта.
В своей последней работе, опубликованной на этой неделе в журнале Physical Review Letters , исследовательская группа проверила, насколько хорошо искусственный интеллект (ИИ) может предсказывать свойства так называемых комбинаторных механических метаматериалов.
Искусственные материалы
Это инженерные материалы, свойства которых определяются их геометрической структурой, а не химическим составом. Кусок оригами также является типом метаматериала, чья способность сплющиваться (физически четко определенное свойство) определяется тем, как он сложен (его структурой), а не типом бумаги, из которой он сделан.
В более общем плане умный дизайн позволяет нам точно контролировать, где и как метаматериал будет изгибаться, изгибаться или вздуваться, что может быть использовано для самых разных вещей, от амортизаторов до развертывания солнечных панелей на спутнике в космосе.
Типичный комбинаторный метаматериал, изучаемый в лаборатории, состоит из двух или более типов или ориентаций строительных блоков, которые деформируются по-разному при приложении механической силы. Если эти строительные блоки комбинируются случайным образом, материал в целом обычно не будет прогибаться под давлением, потому что не все блоки смогут деформироваться так, как им хочется; они будут заклинивать.
Там, где один строительный блок хочет выпирать наружу, его сосед должен иметь возможность прогибаться внутрь. Чтобы метаматериал легко сгибался, все деформированные строительные блоки должны совмещаться друг с другом, как головоломка. Точно так же, как изменение одной складки может сделать кусок оригами несгибаемым, изменение одного блока может сделать «гибкий» метаматериал жестким.
Трудно предсказать
Хотя метаматериалы имеют много потенциальных применений, разработка нового является сложной задачей. Начиная с определенного набора строительных блоков, вывод общих свойств метаматериала для различных структур часто сводится к пробам и ошибкам. В наши дни мы не хотим делать все это вручную. Однако из-за того, что свойства комбинаторных метаматериалов очень чувствительны к изменениям в отдельных строительных блоках, традиционные статистические и численные методы работают медленно и подвержены ошибкам.
Вместо этого исследователи обнаружили, что ответом может быть машинное обучение : даже имея относительно небольшой набор примеров для обучения, так называемые сверточные нейронные сети способны точно предсказать свойства метаматериала любой конфигурации строительных блоков вплоть до тончайшая деталь.
«Это намного превзошло наши ожидания», — говорит доктор философии. студент и первый автор Райан ван Мастригт. «Точность прогнозов показывает нам, что нейронные сети действительно изучили математические правила, лежащие в основе свойств метаматериала, даже если мы сами не знаем всех правил».
Это открытие предполагает, что мы можем использовать ИИ для разработки новых сложных метаматериалов с полезными свойствами. В более широком смысле применение нейронных сетей к комбинаторным задачам позволяет нам задать множество интересных вопросов. Возможно, они могут помочь нам в решении (комбинаторных) задач в других контекстах. И наоборот, результаты могут улучшить наше понимание самих нейронных сетей, например, продемонстрировав, как сложность нейронной сети связана со сложностью задач, которые она может решить.
