正如我和我的同事在一篇新论文中所描述的那样，由于具有可变刚度连接的独特晶格结构，一种新型材料可以学习并提高其处理意外力的能力。

这种新材料是一种建筑材料，它的特性主要来自其设计的几何形状和特定特征，而不是它的制造材料。以魔术贴之类的钩环织物封扣为例。不管它是由棉花、塑料还是任何其他物质制成的。只要一面是带硬钩的织物，而另一面有蓬松的毛圈，材料就会具有魔术贴的粘性。

我和我的同事们将我们的新材料架构基于人工神经网络——互连节点的层，这些节点可以通过改变它们在每个连接上的重要性或权重来学习完成任务。我们假设可以通过调整每个连接的刚度来训练具有物理节点的机械晶格以具有某些机械特性。

为了确定机械晶格是否能够采用和保持新特性——比如呈现新形状或改变方向强度——我们首先建立了一个计算机模型。然后，我们为材料和输入力选择了所需的形状，并使用计算机算法调整连接的张力，以便输入力产生所需的形状。我们对200种不同的晶格结构进行了培训，发现三角形晶格最适合实现我们测试的所有形状。

建筑材料——比如这个3D晶格——不是从它们的制造材料中获得它们的属性，而是从它们的结构中获得它们的属性。图片来源：RyanLee，CCBY-ND

一旦调整了许多连接以完成一组任务，材料将继续以所需的方式作出反应。从某种意义上说，培训是在材料本身的结构中被记住的。

然后，我们构建了一个物理原型晶格，其中可调节的机电弹簧以三角形晶格排列。该原型由6英寸的连接组成，长约2英尺，宽约1.5英尺。它奏效了。当晶格和算法一起工作时，材料能够在受到不同力时以特定方式学习和改变形状。我们称这种新材料为机械神经网络。

除了一些活组织之外，很少有材料可以学会更好地处理意外载荷。想象一下突然刮起一阵风的飞机机翼并被迫朝一个意想不到的方向前进。机翼无法改变其设计以使其在该方向上更坚固。

我们设计的原型晶格材料可以适应不断变化或未知的条件。例如，在机翼中，这些变化可能是内部损坏的累积、机翼与飞行器连接方式的变化或外部载荷的波动。每次由机械神经网络制成的机翼遇到其中一种情况时，它都可以加强和软化其连接以保持所需的属性，例如方向强度。随着时间的推移，通过算法的连续调整，机翼采用并保持新的属性，将每个行为添加到其余部分，作为一种肌肉记忆。

这种类型的材料可能对建筑结构的寿命和效率具有深远的应用。由机械神经网络材料制成的机翼不仅可以变得更坚固，还可以通过训练使其变形为能够最大限度提高燃油效率的形状，以响应周围不断变化的条件。

到目前为止，我们的团队只使用了2D晶格。但是使用计算机建模，我们预测3D晶格将具有更大的学习和适应能力。这种增加是由于3D结构可能有数十倍的连接或弹簧，它们不会相互交叉。但是，我们在第一个模型中使用的机制过于复杂，无法支持大型3D结构。

我和我的同事创建的材料是概念验证，并展示了机械神经网络的潜力。但是要将这个想法带入现实世界，需要弄清楚如何使单个部件更小并具有精确的弯曲和张力特性。

我们希望在微米级材料制造方面的新研究，以及对刚度可调的新材料的研究，将带来进步，使具有微米级元素和密集3D连接的强大智能机械神经网络成为无处不在的现实。不远的将来。