(資料圖)

領導該研究的加州大學洛杉磯分校工程學院機械和航空航天工程教授喬納森·霍普金斯說，這種人工智能材料可對暴露于環境條件時應表現出的行為和特性進行學習。例如，當材料被放置在飛機機翼中時，它可以學習飛行過程中風的模式，改變自身機翼的形狀，以提高飛機的效率和機動性；而被注入這種材料的建筑結構還可自我調整某些區域的剛度，以提高其在地震或其他自然或人為災害期間的整體穩定性。

科學家們利用和調整了現有人工神經網絡的概念。人工神經網絡正是驅動機器學習的算法，研究人員在互連系統中開發了人工神經網絡組件的機械等效物。這一機械神經網絡由以三角形格子圖案定向的單獨可調光束組成。每根梁都具有音圈、應變片和撓曲件，使梁能夠改變其長度，實時適應不斷變化的環境，并與系統中的其他梁相互作用。

然后，優化算法通過從每個應變儀獲取數據并確定剛度值的組合來控制整個系統。為了檢查應變儀監控系統的有效性，研究團隊還使用了在系統輸出節點上訓練的相機。

該系統的早期原型在施加力的輸入和機械神經網絡響應的輸出之間表現滯后，影響了系統的整體性能。該團隊測試了梁中應變儀和彎曲的多次迭代以及不同的晶格圖案和厚度，最終設計方案克服了滯后并在各個方向準確地分配了施加的力。

目前該系統大約有微波爐那么大，但研究人員計劃簡化機械神經網絡設計，以便在3D晶格內以微尺度制造數千個網絡，以用于實際材料應用。