Нейронные сети, основанные на работе компьютера, демонстрируют впечатляющие результаты, однако для их функционирования необходимы высокопроизводительные электронные компоненты, такие как видеокарты и ускорители искусственного интеллекта. Исследователи из Соединенных Штатов выбрали альтернативный подход и реализовали нейросеть в механизме, включающем пружины с регулируемой жесткостью.
Сотрудники кафедры машиностроения Калифорнийского университета в Лос-Анджелесе создали механический эквивалент компьютерной нейронной сети — трехмерную структуру, состоящую из переплетенных пружин с возможностью регулировки жесткости. Изменяя параметры жесткости отдельных пружин, такую структуру можно запрограммировать на адаптацию к изменяющимся условиям. Как сообщают ученые в журнале Science Robotics, по своей сути это программируемый материал, который может динамически перераспределять нагрузки и снижать возникающие напряжения.
Принцип работы нейронных сетей основан на логических связях между нейронами. В искусственных нейросетях, используемых на компьютерах и смартфонах, нейроны организованы в несколько слоев. Первоначально связи между ними устанавливаются случайным образом, что делает нейросеть нефункциональной. Поэтому ее необходимо обучать: к примеру, если нейросеть предназначена для распознавания изображений, то ей предоставляют миллионы фотографий и рисунков.
При обработке изображения нейронная сеть активирует определенные нейроны в первом слое, которые, в свою очередь, передают сигнал нейронам второго слоя, и этот процесс продолжается до тех пор, пока последний слой не сформирует единый итоговый сигнал. Каждое изображение генерирует уникальный трехмерный паттерн активации нейронов по слоям, однако изображения с похожим содержанием, даже при активации немного отличающихся нейронов, приводят к формированию одного и того же итогового сигнала. Например, изображение слова «собака» для всех картинок с собаками.
Этот процесс обусловлен модификацией взаимосвязей между нейронами в ходе обучения нейронной сети. Некоторые нейроны укрепляют свои соединения, формируя отдельные кластеры. Принцип заключается в том, что эти кластеры нейронов последовательно активируются совместно, когда на изображении присутствуют определенные признаки объекта. Предоставляя нейросети разнообразные изображения собак, активируются одни и те же группы нейронов, отвечающих за «собаковидные» характеристики, что позволяет нейросети давать ответ «собака». Таким образом, обучение нейросети, включая компьютерную, заключается в настройке соединений необходимой силы между конкретными нейронами.
Калифорнийские инженеры предложили простое решение: объединение механических пружин с переменной жесткостью в трехмерной многослойной конструкции позволит использовать жесткость пружин как аналог силы нейронных связей. С помощью компьютерного моделирования ученые рассмотрели 200 различных структур и установили, что оптимальным способом соединения пружин является формирование треугольных пирамид. Подобная архитектура демонстрирует поведение, наиболее близкое к примитивной нейронной сети.
Создание многослойной структуры из пружин оказалось сложной задачей для ученых, поэтому в эксперименте они использовали плоскую решетку, состоящую из треугольников. Ее размеры составляли приблизительно 60 на 45 сантиметров, а размер каждой пружины – около 15 сантиметров. Полностью исключить электричество также не удалось: для регулировки жесткости пружин в опытной установке использовали магнитное поле, создаваемое звуковыми катушками, а датчик деформации регистрировал силу воздействия на пружину. Поэтому, корректнее было бы назвать этот опытный образец электромеханической нейросетью, а не исключительно механической.
Уже этой скромной и незамысловатой конструкции оказалось достаточно для обучения системы к реагированию на переменчивые условия. Механизм пружин автоматически корректировал свои параметры под воздействием давления различной силы, поступающего со всех сторон, чтобы уменьшить его до постоянной величины и направления.
Механическая нейросеть, разработанная калифорнийскими учеными, проявляла свойства «интеллектуального» материала, чьи реакции можно запрограммировать посредством обучения. Если, к примеру, создать из нее крыло самолета, оно будет адаптироваться к воздушным потокам, изменяя свою форму для минимизации колебаний подъемной силы. А броня, изготовленная из подобных упругих треугольников, будет обеспечивать максимальную прочность в точке воздействия снаряда.
Действительно, для достижения этой цели необходимо значительно сократить размеры механической нейросети и интегрировать ее в микроскопическую среду. В качестве решения предлагается использовать новейшие материалы с регулируемой жесткостью. В этом случае, как они полагают, возникнет перспектива для создания трехмерных структур, состоящих из большого числа упругих компонентов, что приведет к значительному повышению интеллектуальных возможностей подобной «материальной нейросети». Ее можно будет обучать для выполнения более сложных задач.