不是那么简单的机器：破解可以学习的材料的密码

　　密歇根大学的物理学家设计了一种算法，为学习如何在称为机械神经网络的格子中工作提供了数学框架。

　　

人们很容易认为，机器学习是一种完全数字化的现象，是通过计算机和算法模拟类似大脑的行为而实现的。

但是第一批机器是模拟的，现在，一个小而不断增长的研究表明，机械系统也有学习能力。密歇根大学（University of Michigan）的物理学家们为这一领域的研究提供了最新的突破口。

密歇根大学的Shuaifeng Li和Xiaoming Mao团队设计了一种算法，为学习如何在被称为机械神经网络的格子中工作提供了一个数学框架。

“我们看到材料可以自己学习任务并进行计算，”Li说。

研究人员已经展示了该算法如何用于“训练”材料来解决问题，例如识别不同种类的鸢尾植物。有一天，这些材料可以制造出能够解决更高级问题的结构，比如飞机机翼可以根据不同的风况优化形状，而不需要人类或计算机的介入。

这样的未来还有很长的路要走，但密歇根大学新研究的见解也可以为该领域以外的研究人员提供更直接的灵感。

该算法基于一种被称为反向传播的方法，该方法已被用于数字和光学系统的学习。研究人员说，由于该算法对信息的传递方式明显漠不关心，它也有助于开辟探索生命系统如何学习的新途径。

“我们在许多物理系统中看到了反向传播理论的成功，我认为这也可能有助于生物学家了解人类和其他物种的生物神经网络是如何工作的。”

他们在《自然通讯》杂志上发表了这一新研究。

101年的内容

在计算中使用物理对象的想法已经存在了几十年。但对机械神经网络的关注是较新的，随着人工智能的其他最新进展，人们的兴趣也在增长。

这些进步中的大多数——当然也是最引人注目的——都是在计算机技术领域取得的。每周都有数亿人求助于ChatGPT等人工智能聊天机器人，帮助他们写邮件、计划假期等。

这些人工智能助手是基于人工神经网络的。Li说，尽管它们的工作原理很复杂，而且在很大程度上隐藏在人们的视野之外，但它们为理解机械神经网络提供了一个有用的类比。

当使用聊天机器人时，用户输入命令或问题，由运行在具有强大处理能力的计算机网络上的神经网络算法进行解释。基于该系统从暴露于大量数据中所学到的知识，它会生成一个响应或输出，并在用户的屏幕上弹出。

机械神经网络（MNN）具有相同的基本元素。在李和毛的研究中，输入是一个附加在材料上的重量，它作为处理系统。输出是材料如何改变其形状，由于重量作用在它上面。

“力是输入信息，材料本身就像处理器，材料的变形是输出或响应”。

在这项研究中，“处理器”材料是3d打印的橡胶晶格，由微小的三角形构成更大的梯形。材料通过调整晶格内特定部分的刚度或柔韧性来学习。

为了实现它们未来的应用——就像飞机机翼在飞行中调整它们的特性一样——mnn需要能够自己调整这些部分。可以做到这一点的材料正在研究中，但你还不能从目录中订购。

因此，Li通过打印出具有更厚或更薄段的新版本处理器来模拟这种行为，以获得所需的响应。李和毛的工作的主要贡献是指导材料如何适应这些片段的算法。

如何训练你的MNN

Li说，虽然反向传播理论背后的数学是复杂的，但这个想法本身是直观的。

启动这个过程中,你需要知道输入和您希望系统如何回应。然后应用输入，看看实际的响应与期望的有什么不同。然后，网络获取这个差异，并使用它来通知它如何改变自己，以便在随后的迭代中更接近期望的输出。

数学上，实际输出和期望输出之间的差异对应于一个称为损失函数的表达式。通过对损失函数应用一个叫做梯度的数学算子，网络学会了如何改变。

Li表示，如果你知道要寻找什么，他的mnn就会提供这些信息。

“它可以自动显示渐变，”Li说，并补充说他在这项研究中得到了相机和计算机代码的一些帮助。“它真的很方便，也很高效。”

考虑这样一种情况，一个晶格完全由具有相同厚度和刚度的分段组成。如果你在一个中心节点上悬挂一个重物——部分相交的点——由于系统的对称性，它的左右相邻节点会向下移动相同的量。

但是假设，相反，你想要创建一个晶格，它不仅给你一个不对称的响应，而且给你一个最不对称的响应。也就是说，您希望创建一个网络，该网络给出权重左侧的节点和右侧的节点之间移动的最大差异。

研究人员使用他们的算法和一个简单的实验装置来创建给出该解决方案的晶格。（与生物学的另一个相似之处在于，这种方法只关心附近的连接在做什么，类似于神经元的运作方式。）

更进一步，研究人员还提供了输入力的大型数据集，类似于计算机上的机器学习，以训练他们的mnn。

在一个例子中，不同的输入力对应于鸢尾植物上不同大小的花瓣和叶子，这是帮助区分物种的定义特征。然后，Li可以将一种未知物种的植物呈现给训练好的晶格，它可以正确地对其进行分类。

Li已经在努力提高系统的复杂性，并利用携带声波的MNNs来解决问题。

“我们可以在输入中编码更多的信息，”李说。“对于声波，你有可以编码数据的振幅、频率和相位。”

与此同时，密歇根大学的研究小组也在研究更广泛的材料网络，包括聚合物和纳米颗粒组合。有了这些，他们可以创建新的系统，在那里他们可以应用他们的算法，并努力实现完全自主的学习机器。

这项工作是由海军研究办公室和国家科学基金会复杂粒子系统中心（COMPASS）支持的。