这种材料是由一个带有可调谐梁的结构系统构成的，使其能够根据动态环境改变其形状和行为。这项研究的结果最近发表在《科学
机器人》杂志上，它对建筑物的建造、飞机的开发和成像技术等方面都有影响。
领导这项研究的加州大学洛杉矶分校塞缪里工程学院的机械和航空航天工程教授乔纳森-霍普金斯说："这项研究引入并展示了一种人工智能材料，它可以在增加暴露于环境条件下学习表现出理想的行为和特性。用于机器学习的相同基础原则被用来赋予这种材料的智能和适应性。"
例如，当这种材料用于飞机机翼时，它可以学习根据飞行过程中的风向变形机翼的形状，以提高飞机的燃油效率和操作稳定性。这种材料也可以在建筑结构的某些区域自我调整硬度，以便在地震或其他自然或人为灾害中提高整体稳定性。
研究人员通过使用和修改现有人工神经网络（ANN）的概念，在一个相互连接的系统中创建了人工神经网络（ANN）组件的机械等价物，ANN是驱动机器学习的算法。该团队的创造，即机械神经网络（MNN），是由以三角格子模式排列的单独可调整的梁组成的。每根横梁都配备了音圈、应变片和挠性装置，使其能够改变长度，实时适应其不断变化的环境，并与系统中的其他横梁互动。
资料来源：加州大学洛杉矶分校的灵活研究小组
音圈的名字来自于最初在扬声器中用于将磁场转换为机械运动的装置，它可以实现微小的压缩或膨胀，以响应施加于梁上的新力。应变片负责从梁的运动中收集数据，用于控制学习行为的算法，挠性体充当了可移动梁之间的柔性接头，以连接系统。
然后，一个优化算法通过从每个应变片中获取数据并确定刚性值的组合来调节整个系统，以控制网络应如何适应施加的力。
为了检查应变片监测系统的有效性，研究小组还使用了在系统的输出节点上训练的摄像机。
该系统的早期原型在
应用力的输入和MNN响应的输出之间表现出滞后，这影响了系统的整体性能。该团队测试了梁上的应变片和挠性片的多次迭代，以及不同的晶格模式和厚度，然后实现了他们公布的设计，该设计设法克服了滞后性，并在所有方向上准确地分配应用力。
"确定[网络]学习失败的原因对于理解如何设计成功学习的MNN很重要，"研究人员分享了他们在过去五年中如何通过试验和错误解决这个问题。
目前，该系统大约有一个微波炉大小，但研究人员计划简化MNN设计，以便在三维晶格内的微观尺度上制造成千上万的网络，用于实际材料应用。除了在车辆和建筑材料中使用这种材料之外，研究人员建议MNNs也可以被纳入防护服以抵御冲击波，或者被纳入声学成像技术以利用声波。
