持ち帰り用カップの蓋の形状を利用し、ドローンの翼がより速く危険を察知する方法を学ぶ(Borrowing a shape from a to-go cup lid, a drone wing could learn how to sense danger faster)

ad

2022-10-26 パデュー大学

ドローンの翼に反転可能なドームのパターンがあれば、危険な状況がどのようなものかをマイクロ秒単位で記憶し、迅速に反応することができるようになる。
研究者が行ったこの研究は、メタマテリアルの形状を利用して、周囲の環境に適応する方法を自ら学習することを実証した最初の例である。
研究チームは、あるレベルの力でドームが反転すると、ドームを囲むメタマテリアルシートの平面部分に埋め込まれたセンサーが、形状の変化を検知することを示した。そして、電気信号がメムリスタと呼ばれる記憶装置を作動させ、力とそれがシート上のどこで検出されたかを記録するのである。逆ドームを作るたびに、メタマテリアルは、あるレベルの力がその表面に作り出すパターンを記憶するようになる。
実際には、ドローンの翼は、危険な状態に関連するパターンを素早く思い出すことができるだろう。メタマテリアルは、逆ドームのパターンから得たすべての「部分記憶」を、これらのパターンが完全に作り出す単一の「完全記憶」として記録しておくからである。この研究結果に基づき、研究者らは、メタマテリアルが時間の経過とともに自身の中に蓄積する情報を呼び出すために「緩衝材」を必要としないだろうと考えている。

<関連情報>

メカノセンシングと知覚的連想学習のためのニューロモーフィック・メタマテリアル Neuromorphic Metamaterials for Mechanosensing and Perceptual Associative Learning

Katherine S. Riley,Subhadeep Koner,Juan C. Osorio,Yongchao Yu,Harith Morgan,Janav P. Udani,Stephen A. Sarles,Andres F. Arrieta
Advanced Intelligent Systems  Published: 13 October 2022
DOI:https://doi.org/10.1002/aisy.202200158

持ち帰り用カップの蓋の形状を利用し、ドローンの翼がより速く危険を察知する方法を学ぶ(Borrowing a shape from a to-go cup lid, a drone wing could learn how to sense danger faster)

Abstract

Physical systems exhibiting neuromechanical functions promise to enable structures with directly encoded autonomy and intelligence. A neuromorphic metamaterials class embodying bioinspired mechanosensing, memory, and learning functionalities obtained by leveraging mechanical instabilities integrated with memristive materials is reported. The prototype system comprises a multistable metamaterial whose bistable dome-shaped units collectively filter, amplify, and transduce external mechanical inputs over large areas into simple electrical signals using embedded piezoresistive sensors. Dome deformations in nonvolatile memristors triggered by the transduced signals, providing a means to store loading events in measurable material states are recorded. Sequentially applied mechanical inputs result in accumulated memristance changes that allow us to physically encode a Hopfield network into the neuromorphic metamaterials. This physical network learns the history of spatially distributed input patterns. Crucially, the neuromorphic metamaterials can retrieve the learned patterns from the memristors’ final accumulated state. Therefore, the system exhibits the ability to learn without supervised training and retain spatially distributed inputs with minimal external overhead. The system’s embodied mechanosensing, memory, and learning capabilities establish an avenue for synthetic neuromorphic metamaterials that learn via tactile interactions. This capability suggests new types of large-area smart surfaces for robotics, autonomous systems, wearables, and morphing structures subjected to spatiotemporal mechanical loading.

0100機械一般
ad
ad
Follow
ad
タイトルとURLをコピーしました