L’inedito lavoro di un Ateneo californiano getta le basi per la creazione di materiali da costruzione dotati di intelligenza artificiale, capaci di adattarsi in tempo reale alle sollecitazioni del mondo esterno.
È possibile, avvalendosi di reti neurali artificiali, arrivare a progettare una classe di materiali intelligenti – destinati alla costruzione di edifici e di mezzi di trasporto quali aerei e treni – in grado di apprendere, nel tempo (proprio come accade con le tecniche di machine learning) una serie di comportamenti in risposta all’ambiente esterno mutevole e alle sue sollecitazioni, riuscendo a regolare, ad esempio, la rigidità della propria struttura? La risposta a questa domanda richiede una premessa altrettanto articolata.
È noto l’impiego di reti neurali artificiali più o meno profonde, dal diverso numero di neuroni e di strati, per emulare la complessità dei meccanismi del cervello biologico – compresi i suoi processi di apprendimento – in numerosi sistemi di intelligenza artificiale.
«Sebbene, sempre ispirati dal cervello umano, vengano sviluppate anche reti neurali fisiche, la maggior parte delle quali può essere classificata come reti elettriche oppure ottiche e benché queste utilizzino le vibrazioni delle proprie strutture meccaniche per migliorare la velocità e l’efficienza dell’apprendimento, non esiste ancora nessuna rete neurale artificiale che sia puramente meccanica»
fa notare il team di ingegneri meccanici dell’University of California, Los Angeles (UCLA), autori di uno studio pubblicato su Science Robotics il 19 ottobre 2022, dal titolo “Mechanical neural networks: Architected materials that learn behaviors”. È a loro che si deve la risposta affermativa alla nostra domanda di apertura. Ma andiamo più a fondo.
Cos’è una rete neurale meccanica
Ad oggi, il modello “più meccanico” di rete neurale – osserva il gruppo di studio in tema di reti neurali per materiali intelligenti – è costituito da una piastra vibrante che viene eccitata per mezzo di onde acustiche.
La ricerca dell’Ateneo californiano, invece, introduce una rete fisica diversa, denominata “rete neurale meccanica” – o Mechanical Neural Network (MNN) – data da «reticoli di fasci sintonizzabili interconnessi (indicati in blu nello schema sotto riportato – n.d.r.) che si uniscono in nodi guidati da input e output di forza o spostamento».
I valori di rigidità dei fasci interconnessi – spiega il team – «sono sintonizzati come pesi di rete per addestrare i reticoli in modo tale che possano apprendere i comportamenti meccanici desiderati, tra cui l’alterazione della forma, della propagazione delle onde acustiche e delle proprietà di massa».
La rete neurale meccanica messa a punto è finalizzata alla progettazione di materiali architettonici capaci di apprendere a reagire all’esposizione prolungata a condizioni di carico ambientale impreviste.
E a chi obietta che, sul mercato, esistono già meta-materiali acustici in grado di eseguire calcoli meccanici specifici, i ricercatori dell’UCLA ribattono che non si tratta di materiali progettati per mezzo di reti neurali e che, quindi, non possono apprendere:
«Peculiarità delle reti neurali meccaniche è la presenza, all’interno, di numerosi strati di nodi, che sono analoghi ai neuroni all’interno delle reti neurali artificiali. Per cui, le MNN si comportano come reti neurali profonde, abilitate ad apprendere contemporaneamente molteplici comportamenti complessi»
Così, se un materiale architettonico intelligente viene danneggiato, tagliato o fissato in modo improprio, esso può riapprendere comportamenti precedentemente acquisiti o acquisirne di nuovi, secondo le condizioni ambientali ai quali è esposto.
Un possibile utilizzo di reti neurali meccaniche per materiali architettonici in grado di apprendere – suggeriscono gli autori dello studio – potrebbe includere le ali degli aerei, che sarebbero così in grado di trasformare il proprio profilo alare in risposta a determinati scenari di carico del vento, «in modo tale che l’aeromobile raggiunga una maggiore efficienza e manovrabilità man mano che accumula esperienza di volo». Ma vediamo ora gli studi sperimentali condotti dal team per determinare la validità dell’apprendimento da parte della Mechanical Neural Network.
Reti neurali per materiali intelligenti: il processo di apprendimento delle MNN
Dunque, le reti neurali meccaniche – precisa il gruppo di ricerca in tema di reti neurali per materiali intelligenti – apprendono meccanicamente i comportamenti, «in modo analogo a come le reti neurali artificiali mappano gli input in ingresso».
Per comprendere le specifiche di tale processo di apprendimento, ritorniamo allo schema riportato in alto, dove la rete neurale meccanica (data dal reticolo bidimensionale profondo otto strati di fasci sintonizzabili, in blu) è “impacchettata” in una configurazione triangolare avente otto nodi di input e otto nodi di output, visibile nella Figura B del suddetto schema:
«Le barre nere mostrate nella parte superiore e inferiore del reticolo rappresentano un terreno fisso. Si suppone che quando i nodi di input vengono caricati da forze orizzontali – rappresentate dalle frecce rosse (Figura B) – i nodi di output rispondono spostandosi lungo il contorno della curva sinusoidale rossa»
Per apprendere questo comportamento nell’ambito – ad esempio – di scenari di carico imprevisti e mutevoli, a ciascuna trave del reticolo viene prescritto un valore di rigidità casuale. E qui entrano in scena i sensori – tra cui gli estensimetri posti su ciascuna trave per rilevare le deformazioni subite da un oggetto sottoposto a sollecitazioni meccaniche o termiche – che determinano, per ogni scenario di carico, lo spostamento di ciascun nodo nel reticolo.
Ogni volta che si verifica lo scenario di carico desiderato – specificano i ricercatori – «i sensori misurano gli spostamenti dei nodi di uscita sul lato destro del reticolo. E l’eventuale errore di questi spostamenti viene calcolato sottraendoli dagli spostamenti target e calcolando al quadrato le differenze risultanti».
Supponiamo, ora, che la rete neurale meccanica apprenda un altro comportamento. In particolare, che i nodi di output del reticolo si spostino su un contorno sinusoidale invertito, mostrato come una curva verde sul lato destro della Figura D all’interno dello schema in alto, in risposta a forze di input verticali uguali, mostrate come frecce verdi sempre nella Figura D.
Ebbene, per apprendere il nuovo comportamento, mantenendo comunque la capacità di ottenere simultaneamente il primo comportamento rappresentato nella Figura B, «il reticolo delle travi sintonizzabili inizierebbe con la combinazione di valori di rigidità che sono stati trovati per ottenere con successo il primo comportamento».
La dimostrazione sperimentale e lo studio di simulazione
In tema di reti neurali per materiali intelligenti, col fine di testare l’apprendimento della Mechanical Neural Network messa a punto, i fasci sintonizzabili mostrati nello schema in alto sono stati fabbricati e assemblati all’interno di un reticolo (come si evince dalla Figura B nello schema sotto), in cui i sensori esterni sono dati da due telecamere che rilevano e misurano gli spostamenti dei nodi di output.
Più nel dettaglio, la rete neurale meccanica della Figura B è stata utilizzata per dimostrare che un reticolo triangolare di 21 fasci sintonizzabili è capace di apprendere contemporaneamente «due diversi comportamenti di morphing sinusoidale», teorizzati nella Figure B e D del primo schema.
In particolare, il primo comportamento è manifesto quando i nodi in uscita si spostano rispettivamente a destra e a sinistra di 0,5 mm, poiché i due nodi di input sono entrambi spinti a destra da forze di uguale grandezza.
Il secondo comportamento, invece, si manifesta quando i nodi in uscita si spostano nelle direzioni opposte – cioè a sinistra e a destra, rispettivamente di 0,5 mm – poiché i due nodi di input sono entrambi proiettati verso l’alto (come mostrato dalle frecce verdi) con uguale magnitudo.
Il team ha utilizzato due algoritmi per l’apprendimento dei due comportamenti, nonché per confrontare le loro prestazioni. Sono stati poi condotti tre studi di simulazione utilizzando uno strumento computazionale, ideato con l’obiettivo di simulare gli effetti della dimensione del reticolo e del suo impacchettamento in una configurazione triangolare (con otto nodi di input e otto nodi di output) sull’apprendimento della rete neurale meccanica.
Reti neurali per materiali intelligenti: l’esito delle prove di apprendimento
In tema di reti neurali per materiali intelligenti, proprio la simulazione ha dimostrano che più strati possiede la Mechanical Neural Network (più è profonda, dunque) e meno comportamenti casuali è chiamata ad apprendere simultaneamente e più accuratamente è in grado di apprendere, con un media di errore assai bassa.
«Finché la rete è profonda tre o più strati, ha abbastanza fasci sintonizzabili per apprendere con precisione due comportamenti di cambiamento della propria forma, indipendentemente dal numero dei nodi di output» sottolineano gli autori.
E fanno notare che, benché una MNN con meno nodi in uscita abbia meno fasci sintonizzabili per mezzo dei quali apprendere, possiede comunque meno requisiti di input e di output per quanto riguarda gli spostamenti che i fasci devono poter soddisfare durante l’apprendimento. «Pertanto, il numero di nodi di output è in gran parte irrilevante».
Un ultimo elemento rilevato durante gli studi di simulazione riguarda la forma geometrica dei reticoli, che – lo ricordiamo – costituiscono la struttura della rete neurale meccanica: in particolare, quelli triangolari apprendono in modo più accurato rispetto ai reticoli quadrati.
E questo perché, dato lo stesso numero di strati e nodi di output, i reticoli triangolari riescono a contenere più fasci sintonizzabili rispetto ai reticoli quadrati. In aggiunta, «le travi dei reticoli triangolari riescono a propagare in modo più efficace gli spostamenti in tutte le direzioni piuttosto che prevalentemente lungo direzioni ortogonali, come inevitabilmente accade con i reticoli quadrati».
I prossimi step della ricerca
Attualmente – afferma il gruppo di studio in materia di reti neurali per materiali intelligenti – la rete fisica sviluppata «è simile, per forma e dimensioni, a un forno a microonde».
Tra i futuri obiettivi di ricerca, la semplificazione della progettazione delle reti neurali meccaniche è al primo posto. In particolare, il team intende giungere allo sviluppo di «migliaia di reti su micro scala all’interno di reticoli 3D, per applicazioni pratiche dei materiali».
Per quanto concerne, poi, le applicazioni delle Mechanical Neural Network, si annoverano la produzione di materiali da costruzione per l’edilizia e di materiali per la costruzione di mezzi di trasporto – specie aeromobili – ai quali i ricercatori hanno come obiettivo quello di aggiungere materiali per la fabbricazione di schermi contro le onde d’urto e per lo sviluppo di tecnologie di imaging acustico, atte a sfruttare le onde sonore.