一类机械神经网络的架构材料，未来智能技术的全新畅想

除了一些活组织之外，很少有材料能够在长时间暴露于意料之外的环境负载情况下自主学习表现出所需的行为。在不断变化的条件下（例如，内部损坏程度的上升、不同的夹具场景和波动的外部负载），仍然有更少的材料可以继续表现出先前习得的行为，同时还能获得最适合当前情况的新行为。

如果拥有这类可因环境而进行学习，并因此改变功能属性的人工智能（AI）材料，除了 AI 机器人产业，建筑、航空等多个产业也将迎来福音。

在这里，加州大学的研究人员描述了一类称为机械神经网络（MNN）的架构材料，它通过调整其组成梁的刚度来实现这种学习能力，类似于人工神经网络 (ANN) 调整其权重的方式。

该团队制造了一个示例晶格来证明其同时学习多种机械行为的能力，同时研究确定晶格尺寸、包装配置、算法类型、行为数和线性与非线性刚度可调性对 MNN 学习的影响。这项工作为拥有学习行为和属性的人工智能材料奠定了基础。

该研究以「Mechanical neural networks: Architected materials that learn behaviors」为题，于 2022 年 10 月 19 日发布在《Science Robotics》。

论文链接：https://www.science.org/doi/10.1126/scirobotics.abq7278

内容中包含的图片若涉及版权问题，请及时与我们联系删除