Ako imate 3D komad origamija, možete li ga spljoštiti a da ga ne oštetite? Samo gledajući dizajn, odgovor je teško predvideti, jer svaki pregib u dizajnu mora biti kompatibilan sa izravnavanjem.
Ovo je primer kombinatornog problema. Novo istraživanje koje su vodili Institut za fiziku UvA i istraživački institut AMOLF pokazalo je da algoritmi mašinskog učenja mogu tačno i efikasno da odgovore na ovakva pitanja. Očekuje se da će ovo dati podsticaj dizajnu složenih i funkcionalnih (meta)materijala uz pomoć veštačke inteligencije.
U svom najnovijem radu, objavljenom u Phisical Reviev Letters ove nedelje, istraživački tim je testirao koliko dobro veštačka inteligencija (AI) može da predvidi svojstva takozvanih kombinatornih mehaničkih metamaterijala.
Veštački materijali
To su projektovani materijali čija svojstva su određena njihovom geometrijskom strukturom, a ne njihovim hemijskim sastavom. Komad origamija je takođe vrsta metamaterijala, čija je sposobnost spljoštenja (fizički dobro definisana osobina) određena načinom na koji je savijen (njegova struktura), a ne vrstom papira od kojeg je napravljen.
Generalno, pametni dizajn nam omogućava da precizno kontrolišemo gde i kako će se metamaterijal savijati, kopčati ili izbočiti, što se može koristiti za sve vrste stvari, od amortizera do rasklapanja solarnih panela na satelitu u svemiru.
Tipičan kombinatorni metamaterijal koji se proučava u laboratoriji je izgrađen od dva ili više tipova ili orijentacija građevnih blokova, koji se deformišu na različite načine kada se primeni mehanička sila. Ako se ovi gradivni blokovi kombinuju nasumično, materijal kao celina obično se neće savijati pod pritiskom jer neće svi blokovi moći da se deformišu na način na koji žele; oni će zaglaviti.
Tamo gde jedan građevinski blok želi da se izboči napolje, njegov sused bi trebalo da bude u stanju da se zgnječi prema unutra. Da bi se metamaterijal lako zakopčao, svi deformisani građevinski blokovi moraju da se uklope kao slagalica. Baš kao što promena jednog preklopa može učiniti komad origamija nesravnjenim, promena jednog bloka može učiniti ‘disket’ metamaterijal krutim.
Teško je predvideti
Dok metamaterijali imaju mnogo potencijalnih primena, dizajn novog je izazov. Počevši od određenog skupa građevinskih blokova, zaključak o ukupnim svojstvima metamaterijala za različite strukture često se svodi na pokušaje i greške. U današnje vreme, ne želimo sve ovo da radimo ručno. Međutim, pošto su svojstva kombinatornih metamaterijala toliko osetljiva na promene pojedinačnih gradivnih blokova, konvencionalne statističke i numeričke metode su spore i sklone greškama.
Umesto toga, istraživači su otkrili da bi mašinsko učenje moglo biti odgovor: čak i kada se dobije samo relativno mali skup primera za učenje, takozvane konvolucione neuronske mreže su u stanju da precizno predvide svojstva metamaterijala bilo koje konfiguracije građevinskih blokova sve do najfiniji detalj.
„Ovo je daleko prevazišlo naša očekivanja“, kaže dr. student i prvi autor Rajan van Mastrigt. „Tačnost predviđanja nam pokazuje da su neuronske mreže zapravo naučile matematička pravila koja su u osnovi svojstava metamaterijala, čak i kada sami ne znamo sva pravila.
Ovaj nalaz sugeriše da možemo da koristimo AI za dizajniranje novih složenih metamaterijala sa korisnim svojstvima. U širem smislu, primena neuronskih mreža na kombinatorne probleme omogućava nam da postavimo mnoga uzbudljiva pitanja. Možda nam oni mogu pomoći u rešavanju (kombinatornih) problema u drugim kontekstima. I obrnuto, nalazi mogu poboljšati naše razumevanje samih neuronskih mreža, tako što će, na primer, pokazati kako je složenost neuronske mreže povezana sa složenošću problema koje ona može rešiti.
