摘要：物理学家设计了一种算法，该算法为学习如何在称为机械神经网络的晶格中工作提供了数学框架。...

很容易想到机器学习是一种完全数字现象，可以通过计算机和算法可以模仿大脑样行为。

但是第一批机器是模拟的，现在，一项少量但不断增长的研究表明，机械系统也能够“学习”。密歇根大学的物理学家提供了最新的工作领域。

Shuaifeng Li和小毛的U-M团队设计了一种算法，该算法为学习如何在称为机械神经网络的晶格中工作提供了数学框架。

李说：“我们看到材料可以自己学习任务并进行计算。”

研究人员已经表明，该算法如何用于“训练”材料来解决问题，例如识别不同种类的虹膜植物。有一天，这些材料可以创建能够解决更先进的问题的结构（例如，在没有人类或计算机介入的情况下为不同的风条件优化其形状的飞机机翼。

博士后研究人员李说，未来的未来是一个奇观，但是U-M的新研究的见解也可以为现场研究人员提供更直接的灵感。

该算法基于一种称为Backpropagation的方法，该方法已用于在数字和光学系统中启用学习。研究人员说，由于该算法对信息的携带方式明显漠不关心，这也可以帮助开放有关生命系统学习方式的新探索途径。

李说：“我们在许多物理系统中看到了反向传播理论的成功。” “我认为这也可以帮助生物学家了解人类和其他物种中的生物神经网络如何起作用。”

U-M物理学系教授Li和Mao在《自然通讯》杂志上发表了他们的新研究。

MNNS 101

在计算中使用物理对象的想法已经存在数十年了。但是，对机械神经网络的关注是新的，随着人工智能的其他最新进展，人们的兴趣增长。

这些进步大多数 - 当然是最明显的进步 - 都处于计算机技术领域。每周，数亿人正在转向AI驱动的聊天机器人，例如Chatgpt，提供帮助写电子邮件，计划度假等。

这些AI助手基于人工神经网络。李说，尽管它们的运行很复杂，并且在很大程度上隐藏了看来，但它们提供了一个有用的类比来了解机械神经网络。

当使用聊天机器人时，用户键入输入命令或问题，该命令或问题由在具有处理能力的计算机网络上运行的神经网络算法来解释。基于该系统从暴露于大量数据中学到的知识，它会生成在用户屏幕上弹出的响应或输出。

机械神经网络或MNN具有相同的基本元素。对于Li和Mao的研究，输入是固定在材料上的重量，该材料充当处理系统。输出是由于重量在其上作用而改变其形状的方式。

李说：“力是输入信息，材料本身就像处理器一样，材料的变形是输出或响应。”

在这项研究中，“处理器”材料是橡胶3D打印的晶格，由微小的三角形制成，产生了较大的梯形。材料通过调整该晶格内特定段的刚度或灵活性来学习。

为了实现他们的未来派应用程序 - 就像飞机上的飞机机翼一样，MNNS将需要能够自行调整这些细分市场。可以研究的材料正在研究，但是您还不能从目录中订购它们。

因此，李通过打印出具有更厚或较薄的片段的处理器的新版本以获得所需的响应来建模这种行为。 Li和Mao的工作的主要贡献是算法，该算法指示了如何适应这些细分市场的材料。

如何训练您的MNN

李说，尽管反向传播理论背后的数学很复杂，但这个想法本身是直观的。

要启动该过程，您需要知道您的输入是什么以及希望系统响应。然后，您应用输入，然后查看实际响应与所需内容的不同。然后，网络采取这种差异并使用它来告知其如何改变自身，以更接近随后的迭代中所需的输出。

从数学上讲，实际输出与所需输出之间的差异对应于称为损耗函数的表达式。它是通过将被称为梯度的数学操作员应用于该网络学习如何更改的梯度。

李表明，如果您知道要寻找什么，他的MNN提供了这些信息。

李说：“它可以自动向您展示梯度。”他在这项研究中得到了相机和计算机代码的帮助。 “这确实很方便，而且确实很有效。”

考虑一个完全由厚度和刚度相等的段组成的晶格的情况。如果您从中央节点（段相交的点）悬挂重量，则由于系统的对称性，其左右与左侧的节点相邻的节点将沿着相同的数量向下移动。

但是，假设您想创建一个晶格，不仅会给您一个不对称的响应，而且给您最不对称的响应。也就是说，您想创建一个网络，该网络可以在节点到左侧的节点与右侧的节点之间的移动最大差异。

Li和Mao使用其算法和简单的实验设置来创建提供该解决方案的晶格。 （与生物学的另一个相似之处是，该方法仅关心附近的连接所做的事情，类似于神经元的操作方式。）

再进一步，研究人员还提供了大量的输入力数据集，类似于计算机上的机器学习中所做的事情，以训练其MNN。

在一个例子中，不同的输入力对应于虹膜植物上不同大小的花瓣和叶子，这些花瓣和叶子定义了有助于区分物种的特征。然后，李可以向受过训练的晶格展示未知物种的植物，并且可以正确对其进行排序。

李已经在努力建立系统的复杂性及其可以使用携带声波的MNN解决的问题。

李说：“我们可以将更多信息编码到输入中。” “使用声波，您具有可以编码数据的幅度，频率和相位。”

同时，U-M团队还正在研究包括聚合物和纳米颗粒组件在内的材料中的更广泛的网络。有了这些，他们可以创建新系统，可以在其中应用算法并致力于实现完全自主的学习机器。

这项工作得到了海军研究办公室和国家科学基金会复杂粒子系统或指南针的支持。