✨︎ Resumen (TL;DR):
- Investigadores de la Universidad de Ámsterdam desarrollaron estructuras robóticas que cambian de forma físicamente.
- El hardware utiliza principios de machine learning para ajustar su rigidez local y memorizar posiciones.
- El avance prescinde de un procesador central y abre la puerta a una nueva generación de robots blandos.
Investigadores de la Universidad de Ámsterdam crearon materiales sintéticos capaces de cambiar de configuración, adaptarse y moverse por sí mismos sin necesidad de un sistema de control central. El estudio, publicado este lunes en la revista Nature Physics, difumina la frontera entre la ingeniería de objetos y los sistemas vivos.
Un metamaterial adaptativo es un material sintético que aprende a alterar su forma y comportamiento físico mediante el procesamiento de información puramente local.
Los científicos del Machine Materials Lab diseñaron estructuras similares a cadenas de gusanos. El sistema conecta múltiples bisagras motorizadas idénticas mediante un esqueleto elástico. Cada eslabón incluye un microcontrolador que mide su propia rotación y almacena los movimientos pasados.
Las bisagras se comunican únicamente con sus enlaces vecinos. Con esta información local, cada módulo ajusta su torque y rigidez. Así, toda la cadena adopta nuevas posiciones sin que un procesador principal dirija la operación.
Entrenamiento físico y aprendizaje autónomo
El equipo entrena el material empujando manualmente sus componentes hacia la configuración deseada. Durante estos pasos de entrenamiento sucesivos, definidos como “épocas”, los microcontroladores actualizan progresivamente sus salidas hasta adoptar la forma objetivo de manera natural.
Gracias a este diseño, las cadenas dominan operaciones mecánicas complejas:
- Olvidan configuraciones antiguas para aprender formas nuevas.
- Memorizan múltiples siluetas de manera simultánea.
- Alternan entre diferentes estados para ejecutar tareas de agarre o locomoción.
“La observación más emocionante de nuestra investigación fue que el aprendizaje otorga a nuestros metamateriales la capacidad de evolucionar: una vez que el sistema comienza a aprender, las posibilidades de adónde llegará parecen casi ilimitadas”, dijo Yao Du, candidato a doctorado en la institución y autor principal del artículo.
El desarrollo actualiza proyectos previos del mismo laboratorio sobre locomoción “sin cerebro”, donde objetos rodaban sobre terrenos impredecibles, pero carecían de memoria. El equipo, integrado por Du, Ryan van Mastrigt, Jonas Veenstra y Corentin Coulais, superó este límite implementando un esquema de aprendizaje contrastivo, una técnica del machine learning.
Esta plataforma de aprendizaje físico establece las bases para fabricar materiales adaptativos y robots blandos distribuidos. Los próximos objetivos del laboratorio buscan enseñar comportamientos dependientes del tiempo, como diferentes modos de marcha, y operar hardware bajo condiciones de ruido e incertidumbre.
