物理自适应材料运动单元神经网络：一种湿形态复合材料机器

《Advanced Science》：A Physical Adaptive Material Motor Unit Neural Network: A Hygromorph Composite Material Machine

　　

新型材料科学的进展使得结构能够通过将记忆与学习能力直接嵌入材料中而作为智能机器运行。研究人员的工作提出了一种物理自适应材料运动单元神经网络（Physical Adaptive Material Motor Unit Neural Network，PAMMUNN），其利用由木材与炭黑基复合材料构成的、对温度和相对湿度敏感的新一代可控执行器（actuator）。该结构是实现将学习能力赋予材料这一目标的第一步。这些材料执行器被组装成受肌肉收缩触发启发的人运动单元状结构，形成可用于建筑等场景的动态遮阳智能机器。该机器由在多种环境条件下收集的超过350个实验数据点训练出的神经网络控制。通过建立一种新的数据感知反向传播训练（data-aware back-propagation training），研究人员表明该机器可预测遮阳响应，并借助基于人工神经网络（Artificial Neural Network，ANN）的代理模型，在数据库扩展时增量预测适宜行为。研究人员还展示了该机器在两种不同条件下优化构型以实现相似遮阳输出的能力。

研究背景方面，材料执行器常受自然机制启发，将湿度、温度、pH等环境刺激转为机械运动，广泛用于自遮阳建筑立面、智能服装、生物医学植入物和传感器。该类技术面临三大障碍：执行器输出可扩展性不足，如振幅与承载能力有限；在复杂多变环境下的输出缺乏精确控制；部分不可逆性使精细控制困难。建筑中若用材料执行器做自适应立面，会遭遇近乎无限多的微气候环境组合，自上而下编程计算成本过高。因此需要将“记忆”和“信息处理”下沉到材料层，使一层执行器像神经网络一层节点那样工作。研究人员据此提出PAMMUNN，作为通向工程材料神经网络的中间步骤，用湿度响应双材料复合材料模拟生物运动单元，由集中神经网络通过电压控制遮阳输出，并尝试用物理训练让结构从迭代更新中学习。

论文发表在《Advanced Science》。研究人员制备了木材热塑性长丝与导电炭黑增强PLA（polylactic acid）长丝熔丝制造出的湿形态复合材料执行器，将四个相同向下开口执行器组成QSDF（Quadruple Stacked Down Facing）孔径结构，用直流电源加热导电段使吸湿木基材料脱水变平，从而调节进入盒内的光（输出光）。控制上提出数据感知反向传播训练：以温度、相对湿度、外界光为输入，盒内光为输出，用实验数据库训练单层七节点带sigmoid激活的神经网络作为代理模型，再用L-BFGS-B优化电压；为加速收敛采用过冲电压策略，并通过回归修正稳态温湿度后二次优化。

主要关键技术方法包括：一是熔丝制造（FFF）打印laywood meta 5与Protopasta炭黑PLA多层堆叠试件，构建SVM、DSDF、QSDF三种空间构型并筛选向下开口方案；二是搭建不透光有机玻璃 conditioning box，内置LED光源、Allied Vision相机、温湿度与光照传感器，以培养皿加水维持高湿，热像仪验证加热均匀性；三是基于OpenCV跟踪执行器宽度变化，用执行应变公式量化开合；四是以实验采集的300以上数据点训练单层ANN，采用梯度下降、80%/20%训练验证划分、早停防过拟合，用SciPy优化电压并做增量学习评估；五是通过代理模型寻找两组不同输入产生相同输出的电压构型，实现物理模式（physical-mode）验证。

研究结果如下。

2.1 PAMMUNN Using Data-Aware Back-Propagation Training

2.1.1 Database: Acquisition

研究人员通过QSDF遮阳结构采集输入光、温湿度与四路电压下输出光，建立实验数据库。结果显示输入光与输出光强相关，电压增大则输出光降低，而本实验湿度区间较窄，电压主导遮阳行为。

2.1.2 PAMMUNN: Implementation

场景1中，操作人员改变目标光区间后，优化电压使输出光从239.4 lx降至88.8 lx，150分钟内闭合150.6 lx差距；多阶段目标下机器可反复收敛。场景2中，输入光突增后，QSDF系统在70分钟内将输出光恢复至80–100 lx目标区间，证明其对太阳位置变化具有自主适应能力。

2.1.3 PAMMUNN: Incremental Learning

数据库由约35点逐步增至350点以上。随数据增加，预测误差高斯分布标准差在120点时骤降后稳定于约10 lx，决定系数R²由0.46升至0.98，五分之四预测值落在约14.9 lx内，证明机器随运行采集数据而提升预测与适应能力。

2.2 PAMMUNN: Physical-Mode

研究人员借Lee等机械神经网络思路，让机器找两组不同条件/输入对应相似输出光的电压集。优化输出与实物输出差值为5.5、11.1、13.3、7.5 lx，源于物理系统波动与优化/实测环境参数差异。设计空间显示低输入光限制第二组构型可行解；增加开口数可拓展设计空间。该模式降低对外部数字系统的依赖。

讨论部分总结：PAMMUNN并非在材料本征属性层面学习，而是由数字神经网络学完后把知识传给4D打印物理系统。数据感知反向传播训练首次给材料执行器带来自学习控制，数据库超350点，验证显示五分之四优化电压使输出光处于14.90 lx内，两场景下目标光可重复达成，过冲策略加快传统湿形态结构动作。物理模式能由两组最优电压把两种输入转成相似输出，是向永久基于材料物理属性学习迈进的桥梁。

结论部分翻译：本研究考察了一种由自适应生物复合材料构成、近似神经网络行为的物理执行器架构。研究人员用木基热塑体与导电炭黑增强PLA设计了新材料执行器，并定义遮阳结构新几何。纤维主导的执行体通过导电材料加热烘干纤维而驱动。两种构型比较表明向下开口试件优于上下混合构型，故最终用四个相同平行执行孔。通过炭黑PLA段控电压，以温度、湿度、光为环境输入控制光输出，并用新提出的“数据感知反向传播训练”控制，这是据研究所知首个材料执行器自学习控制系统。训练库终版超350点，单层ANN给出优化控制电压；验证表明五分之四优化电压使输出光处在14.90 lx内。湿形态机器在两场景中可重复将目标光控制在20 lx区间内，过冲电压策略加快动作，数据库增大展示出增量学习。PAMMUNN由执行材料神经节点构成，可从输入寻优并数字化学习而非材料层学习，最终实际对预测光值决定系数达0.98。数据感知反向传播训练的PAMMUNN还能实现两组最优构型把两种不同输入转为相似输出，证明其神经网络式功能；该物理模式减少对外设数字/电子系统依赖，为未来基于执行材料物理属性的永久学习奠基。