Mechanisches neuronales Netz kann autonom lernen
Forscher haben ein rein mechanisches neuronales Netz entwickelt, das lernen kann, seine Form als Reaktion auf verschiedene Reize zu verändern.
Einblick in ein rein mechanisches neuronales Netz.
(Bild: Lee et al., Sci. Robot. 7, eabq7278 (2022))
Künstliche neuronale Netze verknüpfen bestimmte Eingabedaten mit spezifischen Ausgabe-Daten. Die Idee hat sich vor allem in der Mustererkennung als außerordentlich erfolgreich erwiesen, weil die Netze aus Beispieldaten lernen können, indem die Parameter der Verbindungen zwischen den künstlichen Neuronen entsprechend angepasst werden. Allerdings müssen die neuronalen Netze in der Regel per Software simuliert werden. Ryan Lee und Kollegen von der University of California, Los Angeles, und der University of Twente im niederländischen Enschede haben jetzt in der Fachzeitschrift "Science Robotics" gezeigt, dass sich neuronale Netze auch mit mechanischen Elementen realisieren lassen.
Die Idee von Lee und Kollegen: Das Netz sollte lernen, auf unterschiedliche Kräfte an den Eingangsknoten zu reagieren, in dem es die Output-Knoten unterschiedlich weit nach außen schiebt. Auf diese Weise, so die Forschenden, könne man beispielsweise eine Tragfläche bauen, deren hintere Kante nach unten schwingt, wenn sie direkt von vorn angeströmt wird, und nach oben, wenn die Luft schräg von unten an die Tragfläche strömt.
Ein neuronales Netz aus Schwingspulen und Dehnungsmessstreifen
Der Proof of Concept ist allerdings ein wenig übersichtlicher: Er besteht aus einem Gitter mit 12 Knoten in drei Schichten mit insgesamt 21 Verbindungen, deren mechanische Eigenschaften jeweils von einem Regler eingestellt werden. Die Knoten bilden ein Dreiecks-Gitter – die Verbindungen selbst bestehen aus einer Kombination von Schwingspule und Dehnungsmessstreifen. Das Netz lernt, indem Software auf einem externen Rechner bei einem gegebenen Kraft-Profil an den Input-Knoten die Auslenkung der Output-Knoten mit dem gewünschten Ergebnis abgleicht, und dann die Parameter so lange anpasst, bis der mittlere Fehler minimal wird.
Dabei experimentierte das Team nicht nur mit einer nichtlinearen und einer linearen Kraftveränderungen in den Verbindungsgliedern, sondern auch mit zwei verschiedenen Optimierungsalgorithmen, einem genetischen Algorithmus und einer partiellen Mustersuche. Mit beiden Verfahren kamen die Forschenden zu einer Lösung, die für zwei verschieden Kraft-Inputs zwei verschiedene Output-Formen zeigt, wobei der mittlere Fehler mit dem genetischen Algorithmus kleiner war – allerdings benötigte das Training hierfür rund 40-mal länger.
(wst)