Metamaterial robótico em cadeia aprende a mudar de forma e alternar entre estados sem controlador central

Investigadores demonstraram que um metamaterial robótico em forma de cadeia consegue aprender a alterar a sua forma, guardar várias configurações e alternar entre elas sem precisar de um controlador central.

Este resultado coloca a aprendizagem diretamente na matéria física, abrindo caminho a máquinas que se adaptam ao mudarem a própria estrutura, em vez de seguirem instruções fixas.

Primeiros movimentos aprendidos

Numa mesa de baixo atrito, a cadeia curvou-se até atingir formas previamente aprendidas e voltou a essas mesmas formas quando recebeu o mesmo estímulo.

Ao acompanhar essas transformações, Yao Du, da Universidade de Amesterdão (UvA), mostrou que cada módulo ajustava o seu comportamento local com base na informação partilhada pelas dobradiças vizinhas.

Em vez de obedecer a um programa rígido, as articulações ligadas entre si guardavam o histórico de movimento e iam alterando a forma como resistiam à flexão, o que permitia ao material afinar a resposta ao longo do tempo.

Esta capacidade de memorizar, rever e reutilizar formas aprendidas prepara o terreno para comportamentos mais complexos, para lá de simples mudanças de geometria.

Como aprendem as dobradiças do metamaterial robótico em cadeia

Cada dobradiça incluía um microcontrolador - um pequeno computador embutido na articulação - e a memória local eliminava a necessidade de um “cérebro” central.

Quando uma parte rodava, o dispositivo media o ângulo, comparava as posições livre e fixa e ajustava o binário que aplicava.

Como cada unidade comunicava apenas com as vizinhas, podia atualizar a rigidez - isto é, a resistência do material à flexão - sem coordenação central.

Essa simplicidade era crucial, porque em materiais grandes não é viável esperar que um único processador calcule cada dobra antes de qualquer elemento se mexer.

Memória que se reescreve

O treino não “congelou” o metamaterial - uma estrutura concebida para comportamentos invulgares - numa única pose, como acontece com muitos materiais que mudam de forma.

Depois de aprender uma forma em U e, em seguida, formar uma a uma as letras da palavra APRENDER, a cadeia de 11 unidades substituiu respostas anteriores sem precisar de um reinício completo.

“A observação mais entusiasmante da nossa investigação foi que a aprendizagem dá aos nossos metamateriais a capacidade de evoluir - assim que o sistema começa a aprender, as possibilidades de onde pode acabar parecem quase ilimitadas”, disse Du.

Quando a memória passou a ser editável, o desafio seguinte foi manter várias respostas aprendidas disponíveis ao mesmo tempo.

Quando os empurrões mudam

Aprender várias respostas em simultâneo obrigou a equipa a lidar com comportamento não recíproco, em que a direção altera o resultado.

Um empurrão perto de uma extremidade podia fazer uma dobradiça distante curvar-se num sentido, enquanto o empurrão inverso levava a uma resposta diferente.

Com esta assimetria, em vez de “diluir” os objetivos numa média, a cadeia aprendeu vários alvos em sequência em cada ronda de treino.

Essa abordagem transformou o treino de uma memória de cada vez num conjunto de ações disponíveis no mesmo material.

Escalar a cadeia

Cadeias maiores foram um teste mais exigente, porque numa elasticidade comum uma dobra feita num ponto vai perdendo força à medida que se propaga.

Ainda assim, versões maiores continuaram a aprender formas complexas, incluindo uma cadeia pequena que, com estímulos simples, formava um gato.

Para apoiar cadeias longas, a equipa permitiu que partes mais afastadas se influenciassem mutuamente, evitando que a informação se desvanecesse depressa.

O resultado indicou que estes materiais podem crescer para lá de demonstrações básicas, mesmo que as versões maiores aprendam mais devagar.

Noutros trabalhos anteriores do mesmo laboratório, sólidos ativos já conseguiam rolar e rastejar em terreno irregular.

Redes mecânicas relacionadas já tinham aprendido tarefas através de atualizações locais, mostrando que o próprio equipamento pode treinar-se.

O novo sistema junta essas ideias ao integrar movimento, memória e aprendizagem num único corpo. Assim, a adaptação passa a fazer parte da estrutura, e não de um controlador separado a operar “por cima” do material.

Várias formas de repouso

Durante as experiências com a cadeia, os investigadores observaram comportamento multiestável, ou seja, o material conseguia estabilizar em várias formas de repouso.

Configurações locais tornavam instável uma pose plana; o sistema então amplificava uma curvatura até surgir um novo equilíbrio.

Com um modo instável colocado no sítio certo, um par de formas treinadas podia alternar rapidamente entre estados e manter o resultado.

Esta descoberta abriu caminho aos truques mais “robóticos” do material, porque as formas armazenadas passaram a poder desencadear ações rápidas.

Agarrar e rastejar

Uma cadeia treinada tornou-se numa pinça reflexa: agarrava objetos ao contacto e largava-os quando outra unidade era pressionada.

Noutra versão, acionada numa única articulação, o sistema percorria um ciclo de formas estáveis e convertia essa sequência em movimento para a frente.

Só o sistema assimétrico manteve essa marcha, porque as forças dependentes da direção enviesavam o percurso entre uma pose e a seguinte.

Por enquanto, estes movimentos são simples, mas mostram que a aprendizagem pode gerar comportamento, e não apenas geometria.

O futuro dos metamateriais

O objetivo seguinte é ensinar ao material sequências completas, como alternar entre rastejar e rolar.

Du explicou que a equipa quer que o material aprenda a lidar com o tempo e a incerteza, para se adaptar quando os sinais ficam ruidosos.

Esse avanço aproximaria o projeto de tecidos vivos e organismos, que continuam a ajustar-se enquanto o mundo muda.

Também permitiria testar se estes materiais continuam úteis fora do treino em laboratório, onde se acumulam atrito, variação e erros.

O trabalho sugere que a aprendizagem não precisa de existir acima da matéria como um programa, porque a própria matéria já consegue guardar e atualizar o comportamento.

Se os engenheiros conseguirem tornar estes sistemas mais rápidos, mais robustos e tridimensionais, a fronteira entre material e máquina poderá continuar a diminuir.