变形的人工智能材料被创造出来，可以学习和适应不断变化的条件

该材料由可调梁组成的结构系统组成，可调梁可以根据动态条件改变其形状和行为。这些研究结果——设想了未来在建筑、飞机和成像技术等领域的应用——已经发表在该杂志上科学的机器人．

例如，当这种材料被放置在飞机机翼上时，它可以学习根据飞行过程中的风模式改变机翼的形状，以实现更高的效率和飞机的机动性。注入这种材料的建筑结构还可以自我调节某些区域的刚度，以提高其在地震或其他自然或人为灾害时的整体稳定性。

利用和适应现有人工神经网络(ANN)的概念——驱动机器学习的算法——研究人员在一个互联系统中开发了人工神经网络组件的机械等等物。该团队称之为机械神经网络(MNN)，它由面向三角形晶格模式的独立可调光束组成。每个梁都配有音圈、应变计和弯曲装置，使梁能够改变其长度，实时适应其变化的环境，并与系统中的其他梁相互作用。

音圈得名于它最初在音频扬声器中用于将磁场转换为机械运动，随着施加在波束上的新力，开始微调压缩或膨胀。应变计负责收集算法中用于控制学习行为的梁的运动数据。挠曲基本上充当可移动梁之间的柔性接头，以连接系统。

然后，优化算法通过从每个应变计获取数据，并确定刚度值的组合来控制网络应如何适应施加的力，从而调节整个系统。

为了检验应变计监测系统的有效性，研究小组还在系统的输出节点上训练了摄像机。

“这项研究介绍并展示了一种人工智能材料，它可以学习显示所需的行为和性能，随着环境条件的增加，”乔纳森霍普金斯说，他是加州大学洛杉矶分校萨穆利工程学院的机械和航空航天工程教授，他领导了这项研究。“机器学习中使用的基本原理也被用于赋予这种材料智能和适应性的特性。”

该系统的早期原型显示，在施加的力的输入和MNN响应的输出之间存在滞后，这影响了系统的整体性能。该团队测试了应变计和梁中的弯曲，以及不同的格子图案和厚度的多次迭代，然后实现了他们发表的设计，设法克服了滞后，并在所有方向上准确分配了施加的力。

研究人员写道:“确定[网络]失败学习的原因对理解如何设计成功学习的mnn很重要。”揭示了他们是如何在五年的时间里通过试验和错误解决问题的。

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的设计，以便在3D网格的微观尺度上制造数千个网络，用于实际的材料应用。除了在车辆和建筑材料中使用这种材料外，研究人员建议mnn也可以被纳入装甲以偏转冲击波，或在声学成像技术中利用声波。

除了霍普金斯，该研究论文的其他贡献者还有机械和航空航天工程博士生瑞安·李(Ryan Lee)，他是加州大学洛杉矶分校霍普金斯柔性研究小组的成员，是第一作者，以及荷兰恩斯赫德特温特大学的欧文·穆德(Erwin Mulder)，他参与了这项研究。

研究论文——”机械神经网络:学习行为的建筑材料——已经在杂志上发表了科学的机器人．