Maskinlæring hjælper med at optrevle den komplekse ikke-lineære kortlægning mellem 3D-oppustede buler og deres materialefordeling, når den er flad. Kredit:King's College London
Forskning udført af King's lektor i ingeniørvidenskab, Dr. Antonio Forte, undersøger måder at arbejde med bløde robotter på for at give dem mulighed for at forvandle fra to til tre dimensioner. Dette baner vejen for enheder, der kan programmeres til at pustes op til en præcist tilpasset form, der opfylder et specifikt behov. Forskningen er udgivet af Advanced Functional Materials .
Indtil nu har maskinlæringsmetoder primært været brugt til billedgenkendelse og sprogbehandling. For nylig er de dukket op som kraftfulde værktøjer til at løse mekanikproblemer. Arbejdet fra Antonio og hans kolleger viser, at disse værktøjer kan udvides til at studere den ikke-lineære mekanik af oppustelige systemer.
Forskningen involverede at bygge multimateriale membraner lavet af bløde eller stive firkantede pixels. Forskerne præsenterer algoritmer til at generere tre klasser af bløde membraner, hvor pixels klynger sig på forskellige måder og skaber forskellige deformerede, oppustede former. De designer og optimerer en model, der lærer, hvordan den indbyrdes position af hver pixel i gitteret bidrager til systemets globale mekanik.
I en kommentar til resultaterne siger Antonio:"Vi viser, hvordan vores platform har potentiale til at designe patientspecifikke enheder til mekanoterapi og videre. Før denne forskning vidste vi ikke, hvordan man bruger maskinlæring til at optrevle ikke-lineære kortlægninger i oppustelige systemer. Det viser sig. ud af, at de er meget kraftfulde til disse formål. Arbejdet har potentiale på mange områder, for eksempel i behandling af væv omkring ar for at fremme heling."
Succesen med forskningen indtil videre har fået holdet til at overveje yderligere udviklinger, for eksempel at omdanne tredimensionelle former til nye tredimensionelle former.