.
Dado um pedaço de origami 3D, você pode achatá-lo sem danificá-lo? Apenas olhando para o design, a resposta é difícil de prever, porque cada dobra no design deve ser compatível com o achatamento. Este é um exemplo de um problema combinatório. Uma nova pesquisa liderada pelo UvA Institute of Physics e pelo instituto de pesquisa AMOLF demonstrou que os algoritmos de aprendizado de máquina podem responder com precisão e eficiência a esses tipos de perguntas. Espera-se que isso dê um impulso ao design assistido por inteligência artificial de (meta)materiais complexos e funcionais.
Em seu último trabalho, publicado em Cartas de Revisão Física esta semana, a equipe de pesquisa testou quão bem a inteligência artificial (IA) pode prever as propriedades dos chamados metamateriais mecânicos combinatórios.
Materiais artificiais
Estes são materiais projetados cujas propriedades são determinadas por sua estrutura geométrica e não por sua composição química. Um pedaço de origami também é um tipo de metamaterial, cuja capacidade de achatar (uma propriedade fisicamente bem definida) é determinada pela forma como é dobrado (sua estrutura), e não pelo tipo de papel de que é feito. De maneira mais geral, o design inteligente nos permite controlar precisamente onde ou como um metamaterial irá dobrar, dobrar ou inchar, o que pode ser usado para todos os tipos de coisas, de amortecedores a painéis solares desdobrados em um satélite no espaço.
Um metamaterial combinatório típico estudado em laboratório é formado por dois ou mais tipos ou orientações de blocos de construção, que se deformam de maneiras distintas quando uma força mecânica é aplicada. Se esses blocos de construção forem combinados aleatoriamente, o material como um todo geralmente não se deformará sob pressão porque nem todos os blocos serão capazes de se deformar da maneira que desejam; eles vão atolar. Onde um bloco de construção deseja se projetar para fora, seu vizinho deve ser capaz de se espremer para dentro. Para que o metamaterial se deforme facilmente, todos os blocos de construção deformados precisam se encaixar como um quebra-cabeça. Assim como mudar uma única dobra pode tornar um pedaço de origami inaplanável, mudar um único bloco pode tornar um metamaterial ‘disquete’ rígido.
Difícil de prever
Embora os metamateriais tenham muitas aplicações potenciais, projetar um novo é um desafio. Começando com um conjunto específico de blocos de construção, deduzir as propriedades gerais dos metamateriais para diferentes estruturas geralmente se resume a tentativa e erro. Nos dias de hoje, não queremos fazer tudo isso à mão. No entanto, como as propriedades dos metamateriais combinatórios são tão sensíveis a mudanças nos blocos de construção individuais, os métodos estatísticos e numéricos convencionais são lentos e propensos a erros.
Em vez disso, os pesquisadores descobriram que o aprendizado de máquina pode ser a resposta: mesmo quando dado apenas um conjunto relativamente pequeno de exemplos para aprender, as chamadas redes neurais convolucionais são capazes de prever com precisão as propriedades metamateriais de qualquer configuração de blocos de construção até o mais fino detalhe.
“Isso superou nossas expectativas”, diz o estudante de doutorado e primeiro autor Ryan van Mastrigt. “A precisão das previsões nos mostra que as redes neurais realmente aprenderam as regras matemáticas subjacentes às propriedades dos metamateriais, mesmo quando não conhecemos todas as regras.”
Essa descoberta sugere que podemos usar a IA para projetar novos metamateriais complexos com propriedades úteis. Mais amplamente, a aplicação de redes neurais a problemas combinatórios nos permite fazer muitas perguntas interessantes. Talvez eles possam nos ajudar a resolver problemas (combinatórios) em outros contextos. E, inversamente, as descobertas podem melhorar nossa compreensão das próprias redes neurais, por exemplo, demonstrando como a complexidade de uma rede neural se relaciona com a complexidade dos problemas que ela pode resolver.
Fonte da história:
Materiais fornecidos por Universidade de Amsterdã. Nota: O conteúdo pode ser editado para estilo e duração.
.
