বিশাল সম্ভাবনা – নতুন এআই উপাদান আচরণ শেখে এবং পরিবর্তিত অবস্থার সাথে খাপ খায়

br>

মেকানিক্যাল নিউরাল নেটওয়ার্ক

একটি মেকানিক্যাল নিউরাল নেটওয়ার্কের ছবি (MNN)। বর্তমানে, সিস্টেমটি একটি মাইক্রোওয়েভ ওভেনের আকারের, কিন্তু গবেষকরা MNN ডিজাইনকে সরল করার পরিকল্পনা করছেন যাতে ব্যবহারিক উপাদান প্রয়োগের জন্য 3D জালির মধ্যে মাইক্রো-স্কেলের মাধ্যমে হাজার হাজার নেটওয়ার্ক তৈরি করা যায়। ক্রেডিট: UCLA এ নমনীয় গবেষণা গ্রুপ

ইউনিভার্সিটি অফ ক্যালিফোর্নিয়া, লস এঞ্জেলেস প্রকৌশলীরা একটি নতুন শ্রেণীর উপাদান তৈরি করেছেন।

ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়, লস এঞ্জেলেস যান্ত্রিক প্রকৌশলীরা একটি নতুন শ্রেণির উপাদান তৈরি করেছেন যা সময়ের সাথে সাথে আচরণগুলি শিখতে পারে এবং নিজের একটি “পেশীর স্মৃতি” বিকাশ করতে পারে, যা বাহ্যিক শক্তির পরিবর্তনের সাথে রিয়েল-টাইম অভিযোজন করার অনুমতি দেয়, অনেকটা পিয়ানোবাদকের মতো যে তার দিকে না তাকিয়ে তাদের যন্ত্র বাজাতে শেখে চাবি বা একজন বাস্কেটবল খেলোয়াড় যে আপাতদৃষ্টিতে অনায়াসে জাম্প শট নিক্ষেপ করতে অসংখ্য ঘন্টা সময় দেয়।

উপাদানটি টিউনেবল বিম সহ একটি কাঠামোগত সিস্টেম দ্বারা নির্মিত যা এটি গতিশীল পরিস্থিতিতে প্রতিক্রিয়া হিসাবে এর আকৃতি এবং আচরণ পরিবর্তন করতে দেয়। অধ্যয়নের ফলাফল, যা ভবন নির্মাণ, বিমানের উন্নয়ন, এবং অন্যান্যদের মধ্যে ইমেজিং প্রযুক্তির প্রভাব রয়েছে, সম্প্রতি জার্নালে প্রকাশিত হয়েছে বিজ্ঞান রোবোটিক্স.

“এই গবেষণাটি একটি কৃত্রিম বুদ্ধিমান উপাদানের পরিচয় দেয় এবং প্রদর্শন করে যা পরিবেষ্টিত পরিস্থিতিতে বর্ধিত এক্সপোজারে পছন্দসই আচরণ এবং বৈশিষ্ট্যগুলি প্রদর্শন করতে শিখতে পারে,” বলেছেন ইউসিএলএ স্যামুয়েলি স্কুল অফ ইঞ্জিনিয়ারিংয়ের মেকানিক্যাল এবং অ্যারোস্পেস ইঞ্জিনিয়ারিং অধ্যাপক জোনাথন হপকিন্স যিনি গবেষণার নেতৃত্ব দিয়েছেন। “সেই মৌলিক নীতিগুলি যা মেশিন লার্নিংয়ে ব্যবহৃত হয় এই উপাদানটিকে এর স্মার্ট এবং অভিযোজিত বৈশিষ্ট্য দিতে ব্যবহৃত হয়।”


একটি যান্ত্রিক নিউরাল নেটওয়ার্কের একটি সংক্ষিপ্ত ভিডিও যা প্রয়োগকৃত শক্তির প্রতিক্রিয়ায় এর অনমনীয়তা সামঞ্জস্য করতে শেখে। ক্রেডিট: UCLA এ নমনীয় গবেষণা গ্রুপ

যখন উপাদানটি বিমানের ডানাগুলিতে ব্যবহার করা হয়, উদাহরণস্বরূপ, এটি বিমানের কার্যক্ষমতা এবং চালচলন উন্নত করার জন্য একটি ফ্লাইটের সময় বাতাসের ধরণগুলির উপর নির্ভর করে ডানার আকার তৈরি করতে শিখতে পারে। এই উপাদানটি ভূমিকম্প বা অন্যান্য প্রাকৃতিক বা মনুষ্যসৃষ্ট দুর্যোগের সময় সামগ্রিক স্থিতিশীলতা বাড়ানোর জন্য একটি বিল্ডিং কাঠামোর নির্দিষ্ট অঞ্চলের অনমনীয়তাকে স্ব-সামঞ্জস্য করতে পারে।

গবেষকরা কৃত্রিম নিউরাল নেটওয়ার্ক (ANN) উপাদানগুলির যান্ত্রিক সমতুল্য তৈরি করেছেন একটি আন্তঃসংযুক্ত সিস্টেমে বিদ্যমান ANN থেকে ধারণাগুলি ব্যবহার করে এবং সংশোধন করে, যা মেশিন লার্নিংকে চালিত করে এমন অ্যালগরিদম। দলের সৃষ্টি, যান্ত্রিক নিউরাল নেটওয়ার্ক (MNN), একটি ত্রিভুজাকার জালির প্যাটার্নে সাজানো পৃথকভাবে টিউনেবল বিম দ্বারা গঠিত। প্রতিটি রশ্মি একটি ভয়েস কয়েল, স্ট্রেন গেজ এবং ফ্লেক্সার দিয়ে সজ্জিত যা এটিকে দৈর্ঘ্য পরিবর্তন করতে, বাস্তব সময়ে এর পরিবর্তনশীল পরিবেশের সাথে খাপ খাইয়ে নিতে এবং সিস্টেমের অন্যান্য বিমের সাথে যোগাযোগ করতে দেয়।

মেকানিক্যাল নিউরাল নেটওয়ার্ক বিকল্প ভিউ

যান্ত্রিক নিউরাল নেটওয়ার্কের একটি ভিন্ন দৃশ্য। ক্রেডিট: UCLA এ নমনীয় গবেষণা গ্রুপ

ভয়েস কয়েল, যা চৌম্বকীয় ক্ষেত্রগুলিকে যান্ত্রিক গতিতে রূপান্তর করতে স্পিকারগুলিতে এর আসল ব্যবহার থেকে এর নাম পেয়েছে, বীমের উপর স্থাপন করা নতুন শক্তির প্রতিক্রিয়া হিসাবে সূক্ষ্ম-সুরিত সংকোচন বা প্রসারণ শুরু করে। স্ট্রেন গেজ শেখার আচরণ নিয়ন্ত্রণ করতে অ্যালগরিদমে ব্যবহৃত মরীচির গতি থেকে ডেটা সংগ্রহের জন্য দায়ী। সিস্টেমের সাথে সংযোগ স্থাপনের জন্য নমনীয় বিমের মধ্যে নমনীয় জয়েন্ট হিসেবে কাজ করে।

তারপরে একটি অপ্টিমাইজেশান অ্যালগরিদম প্রতিটি স্ট্রেন গেজ থেকে ডেটা গ্রহণ করে এবং নেটওয়ার্কটিকে কীভাবে প্রয়োগ করা শক্তির সাথে খাপ খাইয়ে নেওয়া উচিত তা নিয়ন্ত্রণ করতে দৃঢ়তার মানগুলির সংমিশ্রণ নির্ধারণ করে পুরো সিস্টেমকে নিয়ন্ত্রণ করে।

স্ট্রেন গেজ-মনিটর করা সিস্টেমের বৈধতা পরীক্ষা করার জন্য, গবেষণা দলটি সিস্টেমের আউটপুট নোডগুলিতে প্রশিক্ষিত ক্যামেরাও ব্যবহার করেছিল।

সিস্টেমের প্রাথমিক প্রোটোটাইপগুলি প্রয়োগ করা শক্তির ইনপুট এবং MNN প্রতিক্রিয়ার আউটপুটের মধ্যে একটি ব্যবধান প্রদর্শন করেছিল, যা সিস্টেমের সামগ্রিক কর্মক্ষমতাকে প্রভাবিত করেছিল। দলটি তাদের প্রকাশিত নকশা অর্জনের আগে বিমের স্ট্রেন গেজ এবং ফ্লেক্সারের একাধিক পুনরাবৃত্তির পাশাপাশি বিভিন্ন জালির নিদর্শন এবং বেধ পরীক্ষা করেছে যা ব্যবধান কাটিয়ে উঠতে এবং সমস্ত দিকগুলিতে প্রয়োগকৃত শক্তিকে সঠিকভাবে বিতরণ করতে সক্ষম হয়েছিল।

“কারণগুলি চিহ্নিত করা [the networks] সফলভাবে শেখার MNN গুলি কীভাবে ডিজাইন করা যায় তা বোঝার জন্য শিখতে ব্যর্থ হওয়া গুরুত্বপূর্ণ,” গবেষকরা ভাগ করেছেন কীভাবে তারা গত পাঁচ বছরে ট্রায়াল এবং ত্রুটির মাধ্যমে সমস্যার সমাধান করেছেন।

বর্তমানে, সিস্টেমটি একটি মাইক্রোওয়েভ ওভেনের আকারের, কিন্তু গবেষকরা MNN ডিজাইনকে সরল করার পরিকল্পনা করছেন যাতে ব্যবহারিক উপাদান প্রয়োগের জন্য 3D জালির মধ্যে মাইক্রো-স্কেলের মাধ্যমে হাজার হাজার নেটওয়ার্ক তৈরি করা যায়। যানবাহন এবং নির্মাণ সামগ্রীতে উপাদান ব্যবহার করার পাশাপাশি, গবেষকরা পরামর্শ দেন যে MNNগুলি শক ওয়েভগুলিকে প্রতিহত করার জন্য একটি বর্মে বা শব্দতরঙ্গ ব্যবহার করার জন্য অ্যাকোস্টিক ইমেজিং প্রযুক্তিতেও অন্তর্ভুক্ত করা যেতে পারে।

রেফারেন্স: রায়ান এইচ লি, এরউইন এবি মুলডার এবং জোনাথন বি হপকিন্স, 19 অক্টোবর 2022 দ্বারা “মেকানিক্যাল নিউরাল নেটওয়ার্ক: আর্কিটেক্টেড ম্যাটেরিয়ালস যা শেখার আচরণ” বিজ্ঞান রোবোটিক্স.
DOI: 10.1126/scirobotics.abq7278

গবেষণাটি এয়ার ফোর্স অফিস অফ সায়েন্টিফিক রিসার্চ দ্বারা অর্থায়ন করা হয়েছিল।

কাগজটির প্রধান লেখক রায়ান লি একজন মেকানিক্যাল এবং এরোস্পেস ইঞ্জিনিয়ারিং ডক্টরাল ছাত্র এবং ইউসিএলএ-তে হপকিন্সের নমনীয় গবেষণা গ্রুপের সদস্য। নেদারল্যান্ডসের এনশেডে ইউনিভার্সিটি অফ টুয়েন্টির এরউইন মুল্ডারও গবেষণায় কাজ করেছিলেন, যা বৈজ্ঞানিক গবেষণার এয়ার ফোর্স অফিসের অনুদান দ্বারা সমর্থিত ছিল।



Supply hyperlink

Leave a Comment