Novos ‘metamateriais’ aprendem a mudar de forma e a adaptar-se sem um cérebro central.

Investigadores demonstraram que um metamaterial robótico em cadeia consegue aprender a alterar a sua forma, guardar várias configurações e alternar entre elas sem um controlador central.

Esta conclusão coloca a aprendizagem diretamente na matéria física, abrindo caminho a máquinas capazes de se adaptar ao mudarem a própria estrutura, em vez de seguirem instruções rígidas e pré-definidas.

Primeiros movimentos aprendidos no metamaterial robótico

Numa mesa de baixo atrito, a cadeia curvou-se sozinha até atingir formas previamente aprendidas e voltou a essas mesmas formas quando recebeu o mesmo estímulo de entrada.

Ao acompanhar essas alterações, Yao Du, da Universidade de Amesterdão (UvA), mostrou que cada unidade ajustava o seu comportamento local com base em informação partilhada pelas dobradiças vizinhas.

Em vez de obedecer a um programa fixo, as articulações ligadas retinham o historial de movimento e iam atualizando a forma como resistiam à flexão, permitindo ao material afinar a resposta ao longo do tempo.

Essa capacidade de guardar, rever e reutilizar formas aprendidas prepara o terreno para comportamentos mais complexos do que simples mudanças de geometria.

Como as dobradiças aprendem

Cada dobradiça integrava um microcontrolador - um pequeno computador colocado na própria articulação - e a memória local substituiu a necessidade de um “cérebro” central.

Quando uma secção rodava, o dispositivo media o ângulo, comparava posições livres e mantidas e ajustava o binário (torque) que aplicava.

Como cada unidade comunicava apenas com as vizinhas, conseguia atualizar a rigidez - a resistência do material à flexão - sem recorrer a controlo centralizado.

Essa simplicidade era crucial, porque materiais de grande dimensão não podem ficar à espera que um único processador calcule cada curvatura antes de qualquer parte se mexer.

Memória que se reescreve

O treino não “congelou” o metamaterial - uma estrutura concebida para comportamentos invulgares - numa única pose, como acontece com muitos materiais que mudam de forma.

Depois de aprender uma forma em U e, de seguida, formar cada letra da palavra LEARN uma a uma, a cadeia com 11 unidades substituiu respostas anteriores sem precisar de um reinício completo.

“A observação mais entusiasmante da nossa investigação foi que a aprendizagem dá aos nossos metamateriais a capacidade de evoluir - assim que o sistema começa a aprender, as possibilidades de onde pode acabar parecem quase ilimitadas”, afirmou Du.

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

Quando os empurrões não são iguais: comportamento não recíproco

Aprender várias respostas em simultâneo obrigou a equipa a lidar com comportamento não recíproco, em que a direção altera o resultado.

Um empurrão perto de uma extremidade podia fazer uma dobradiça distante curvar-se num sentido, ao passo que o empurrão inverso produzia uma resposta diferente.

Com essa assimetria, a cadeia passou a aprender vários alvos em sequência em cada ronda, em vez de os diluir ao fazer uma média entre eles.

Este ajuste transformou o treino: deixou de ser “uma memória de cada vez” e passou a permitir várias ações disponíveis no mesmo material.

Escalar a cadeia

Cadeias maiores foram um teste mais exigente, porque uma curvatura num ponto enfraquece à medida que se propaga através de um material elástico comum.

Ainda assim, versões maiores continuaram a aprender formas complexas, incluindo uma cadeia pequena que, com entradas simples, chegou a formar um gato.

Para ajudar cadeias longas, a equipa permitiu que partes mais afastadas influenciassem umas às outras, evitando que a informação se dissipasse demasiado depressa.

O resultado sugeriu que estes materiais podem escalar para lá de demonstrações simples, mesmo que, em versões maiores, a aprendizagem ocorra de forma mais lenta.

Sólidos ativos anteriores, do mesmo laboratório, já conseguiam rolar e rastejar sobre terreno irregular.

Redes mecânicas relacionadas já tinham aprendido tarefas através de atualizações locais, mostrando que o hardware pode treinar-se a si próprio.

O novo sistema junta essas ideias ao integrar movimento, memória e aprendizagem num único corpo. Assim, a adaptação passa a fazer parte da própria estrutura, e não de um controlador separado a operar “por cima” dela.

Várias formas de repouso (multiestabilidade)

Ao experimentarem com a cadeia, os investigadores observaram comportamento multiestável, isto é, a capacidade do material assentar em várias formas de repouso.

Configurações locais tornavam instável uma pose plana, levando o sistema a amplificar uma curvatura até surgir um novo equilíbrio.

Com um modo instável colocado no sítio certo, um par de formas treinadas conseguia alternar rapidamente entre estados e manter o resultado.

Esta descoberta abriu a porta aos truques mais “robóticos” do material, porque as formas armazenadas passaram a poder desencadear ações rápidas.

Agarrar e rastejar

Uma cadeia treinada transformou-se num agarrador reflexo: apanhava objetos ao contacto e largava-os quando outra unidade era pressionada.

Outra versão, acionada num único ponto, percorria um ciclo de formas estáveis e convertia essa sequência em movimento para a frente.

Só o sistema assimétrico mantinha esse padrão de marcha, porque as forças dependentes da direção enviesavam o percurso entre uma pose e a seguinte.

Por agora, estes movimentos continuam simples, mas mostram que a aprendizagem pode gerar comportamento - não apenas geometria.

Futuro dos metamateriais

O objetivo seguinte é ensinar ao material sequências completas, como alternar entre rastejar e rolar.

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

Esse avanço aproximaria o projeto de tecidos e organismos vivos, que se reajustam continuamente à medida que o mundo muda.

Também testaria se estes materiais conseguem manter utilidade fora do treino em laboratório, onde o atrito, a variabilidade e os erros se acumulam.

O trabalho indica que a aprendizagem não precisa de existir acima da matéria como software, porque a própria matéria já consegue armazenar e atualizar comportamento.

Se os engenheiros conseguirem tornar estes sistemas mais rápidos, mais resistentes e tridimensionais, a fronteira entre material e máquina poderá continuar a diminuir.