مواد نو هوشمندی که انگار از آینده آمده اند - مجله پیوند

این ماده تازه که با الهام از سیستم های زنده، ساخته شده است رفتار الکتریکی خود را بر اساس تجربیات قبلی تغییر می دهد و شکل اولیه ای از حافظه تطبیقی را نشان می دهد. چنین مواد تطبیقی می توانند نقش حیاتی در نسل بعدی حسگرهای پزشکی و محیطی و همچنین در ربات های نرم یا سطوح فعال ایفا کنند. این پیشرفت بدست محققان دانشگاه آلتو در فنلاند حاصل شده است.

مواد واکنشگرا طیف وسیعی از کاربردها را از عینک هایی که در نور خورشید تیره می شوند تا سامانه های دارورسانی پیدا کرده اند. با این حال، این مواد همیشه به یک شکل واکنش نشان می دهند. واکنش آنها به یک تغییر به تاریخچه آنها بستگی ندارد و بر اساس گذشته خود انطباق نمی یابند.

بو پنگ، محقق دانشگاه آلتو که یکی از نویسندگان ارشد این مطالعه بود، می گوید: این ویژگی اساساً با سیستم های زنده فرق دارد که به طور پویا رفتار خود را بر اساس شرایط قبلی تطبیق می دهند. یکی از چالش های بزرگ بعدی در علم مواد، تولید مواد واقعا هوشمند با الهام از موجودات زنده است. می خواستیم ماده ای بسازیم که رفتار خود را بر اساس تاریخچه خود تنظیم کند.

محققان در این مطالعه دانه های مغناطیسی در میزان میکرومتر ساختند که از طریق یک میدان مغناطیسی تحریک می شدند. وقتی میدان مغناطیسی فعال می شد، مهره ها روی هم قرار گرفتند و ستون هایی را تشکیل دادند. قدرت میدان مغناطیسی بر شکل ستون ها تأثیر می گذارد که به نوبه خود بر میزان رسانایی الکتریسیته آنها اثر می گذارد.

این محقق گفت: با این سیستم، ما محرک میدان مغناطیسی و پاسخ الکتریکی را به هم مرتبط کردیم و دریافتیم رسانایی الکتریکی بستگی به این دارد که آیا میدان مغناطیسی را به سرعت یا آهسته تغییر می دهیم. این امر به این معناست که پاسخ الکتریکی به تاریخچه میدان مغناطیسی بستگی دارد. اگر میدان مغناطیسی در حال افزایش یا کاهش بود، رفتار الکتریکی نیز متفاوت می شد. این پاسخ دوپایداری را نشان داد که شکل ابتدایی حافظه است. رفتار این ماده به گونه ای است که گویی حافظه میدان مغناطیسی دارد.

دوپایداری توانایی یک سامانه برای حضور در دو حالت پایا پیش از رسیدن به یک حالت پایدار است.

حافظه سیستم به آن اجازه می دهد تا به شیوه ای شبیه یادگیری ابتدایی رفتار کند. اگرچه یادگیری در موجودات زنده بسیار پیچیده است، اما اساسی ترین عنصر یادگیری در حیوانات، تغییر در واکنش اتصالات بین نورون ها است که سیناپس نامیده می شود. فعال کردن سیناپس ها در یک نورون، بسته به تعداد دفعاتی که تحریک می شوند، سخت تر یا آسانتر می شود. این تغییر که به عنوان انعطاف پذیری سیناپسی کوتاه مدت شناخته می شود، باعث می شود ارتباط بین یک جفت نورون بسته به سابقه آنها قوی تر یا ضعیف تر شود.

محققان توانستند تجربه ای مشابه را با مهره های مغناطیسی انجام دهند، هرچند مکانیسم آن کاملاً فرق دارد. هنگامی که مهره ها در معرض یک میدان مغناطیسی با پالس های سریع قرار گرفتند، رسانایی الکتریکی این مهره ها بهتر شد، در حالی که پالس های آهسته تر باعث رسانایی ضعیف تر مهره ها شد.

اولی ایکالا استاد دانشگاه آلتو می گوید: مواد ما کمی شبیه سیناپس عمل می کند. آنچه ما نشان داده ایم راه را برای تولید نسل بعدی مواد الهام گرفته از موجودات زنده هموار می کند که از فرآیند زیست شناختی سازگاری، حافظه و یادگیری استفاده می کند.

در آینده، حتی ممکن است مواد بیشتری ساخته شوند که به طور الگوریتمی از ویژگی های شبیه حیات الهام گرفته شده باشند، هرچند پیچیدگی کامل سیستم های زیستی را نخواهند داشت. چنین موادی برای نسل بعدی ربات های نرم و نظارت پزشکی و محیطی، اهمیت اساسی خواهند داشت.

5858