Metamaterial robótico em forma de corrente aprende a mudar de forma

Pesquisadores demonstraram que um metamaterial robótico em forma de corrente é capaz de aprender a transformar o próprio formato, guardar múltiplas configurações e alternar entre elas sem depender de um controlador central.

O resultado coloca o aprendizado diretamente na matéria física e abre caminho para máquinas que se adaptam mudando a própria estrutura, em vez de apenas executar instruções fixas.

Primeiros movimentos aprendidos

Em uma mesa de baixo atrito, a corrente se curvou até alcançar formas “treinadas” e voltou a elas sempre que recebia o mesmo estímulo de entrada.

Ao acompanhar essas mudanças, Yao Du, da Universidade de Amsterdã (UvA), mostrou que cada unidade alterava o próprio comportamento local a partir de informações compartilhadas pelos encaixes vizinhos.

Em vez de obedecer a um programa rígido, as articulações conectadas retinham o histórico de movimento e ajustavam como resistiam à flexão, o que permitia ao material aperfeiçoar sua resposta com o passar do tempo.

A capacidade de armazenar, revisar e reaproveitar formas aprendidas abre espaço para comportamentos mais elaborados do que simples alterações de geometria.

Como as articulações aprendem

Cada dobradiça trazia um microcontrolador - um pequeno computador no próprio ponto de articulação - e a memória local substituía a necessidade de um “cérebro” central.

Quando uma parte girava, o dispositivo media o ângulo, comparava posições livres e mantidas e modificava o torque aplicado.

Como cada módulo se comunicava apenas com os vizinhos, ele conseguia atualizar a rigidez - isto é, a resistência do material a dobrar - sem coordenação centralizada.

Essa simplicidade foi decisiva, porque materiais grandes não podem ficar esperando um único processador calcular cada dobra antes de qualquer coisa se mover.

Memória que se reescreve

O treinamento não “congelou” o metamaterial - uma estrutura projetada para comportamentos incomuns - em uma 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 L, E, A, R e N, a corrente de 11 unidades substituiu respostas anteriores sem precisar de uma reinicialização completa.

“A observação mais empolgante da nossa pesquisa foi que o aprendizado dá aos nossos metamateriais a capacidade de evoluir - quando o sistema começa a aprender, as possibilidades de onde ele pode chegar parecem quase ilimitadas”, disse Du.

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

Quando os empurrões mudam

Aprender diversas respostas em paralelo obrigou a equipe a lidar com comportamento não recíproco, em que a direção do estímulo altera o resultado.

Um empurrão aplicado perto de uma extremidade podia fazer uma dobradiça distante curvar de um jeito, enquanto o empurrão no sentido oposto produzia outra resposta.

Com essa assimetria, a corrente passou a aprender vários alvos em sequência em cada rodada de treinamento, em vez de “misturá-los” e perder definição.

Esse ajuste transformou o treinamento de uma única memória por vez em várias ações possíveis dentro do mesmo material.

Aumentando a escala da corrente

Correntes maiores foram um teste mais difícil, porque uma dobra criada em um ponto tende a enfraquecer à medida que se propaga por um material elástico comum.

Ainda assim, versões maiores continuaram aprendendo formas complexas, incluindo uma corrente menor que formou um gato quando recebeu entradas simples.

Para ajudar as correntes longas, a equipe permitiu que partes mais distantes influenciassem umas às outras, evitando que a informação “sumisse” rápido demais.

O resultado indicou que esses materiais podem crescer além de demonstrações básicas, mesmo que versões maiores aprendam mais lentamente.

Sólidos ativos anteriores do mesmo laboratório já conseguiam rolar e se arrastar sobre terrenos irregulares.

Redes mecânicas relacionadas já aprenderam tarefas por meio de atualizações locais, mostrando que o próprio equipamento pode se treinar.

O novo sistema junta essas ideias ao concentrar movimento, memória e aprendizado em um único corpo. Assim, a adaptação vira parte da própria estrutura, e não um controlador separado operando “por cima” dela.

Várias formas de repouso

Enquanto exploravam a corrente, os pesquisadores observaram comportamento multiestável, ou seja, o material conseguia se acomodar em várias formas de repouso.

Configurações locais tornavam uma pose plana instável, fazendo o sistema amplificar uma dobra até surgir um novo equilíbrio.

Com um modo instável bem posicionado, um par de formas treinadas conseguia “estalar” de um estado para outro e manter o resultado.

Essa descoberta viabilizou os truques mais “robóticos” do material, porque as formas guardadas passaram a disparar ações rápidas.

Agarra e se arrasta

Uma corrente treinada virou uma garra reflexa que prendia objetos ao contato e soltava quando outra unidade era pressionada.

Outra versão, acionada em uma única articulação, alternava entre formas estáveis e transformava essa sequência em deslocamento para a frente.

Só o sistema assimétrico manteve esse padrão de locomoção, porque forças dependentes da direção favoreciam o caminho entre uma pose e a seguinte.

Por enquanto, os movimentos ainda são simples, mas mostram que o aprendizado pode gerar comportamento - e não apenas geometria.

Futuro dos metamateriais

O próximo objetivo é ensinar ao material sequências completas, como alternar entre se arrastar e rolar.

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

Esse avanço aproximaria o projeto de tecidos vivos e organismos, que seguem se ajustando enquanto o ambiente muda.

Também colocaria à prova se esses materiais conseguem continuar úteis fora do treinamento em laboratório, onde atrito, variação e erros se acumulam.

O trabalho sugere que o aprendizado não precisa ficar acima da matéria como um programa, porque a própria matéria agora pode armazenar e atualizar comportamento.

Se engenheiros conseguirem tornar esses sistemas mais rápidos, mais resistentes e tridimensionais, a fronteira entre material e máquina pode continuar diminuindo.