مواد نسل بعدی با تاریخچه خود سازگار می‌شوند

منتشر شده در scitechdaily به تاریخ ۹ دسامبر ۲۰۲۲
لینک منبع Inspired by Living Systems – Next Generation Material Adapts to Its History

با الهام از سیستم‌های زنده، ماده جدیدی توسعه یافته است که رفتار الکتریکی خود را بر اساس تجربیات قبلی تغییر می‌دهد و به طور موثر شکل اولیه‌ای از حافظه تطبیقی را به آن می‌بخشد. چنین مواد تطبیقی می‌توانند نقش حیاتی در نسل بعدی حسگرهای پزشکی و محیطی و همچنین در روبات‌های نرم یا سطوح فعال داشته باشند. این پیشرفت توسط محققان دانشگاه آلتو فنلاند به دست آمد.

مواد پاسخگو در طیف وسیعی از کاربردها رایج شده‌اند، از عینک‌هایی که در نور خورشید تیره می‌شوند تا سیستم‌های دارورسانی. با این حال، مواد موجود همیشه هر بار به یک شکل واکنش نشان می‌دهند. پاسخ آن‌ها به یک تغییر به تاریخشان بستگی ندارد، و نه بر اساس گذشته خود سازگار می‌شوند.

این اساساً با سیستم‌های زنده متفاوت است که به‌طور پویا رفتار خود را بر اساس شرایط قبلی تطبیق می‌دهند. یکی از چالش‌های بزرگ بعدی در علم مواد، توسعه مواد واقعا هوشمند با الهام از موجودات زنده است. بو پنگ، محقق آکادمی در دانشگاه آلتو که یکی از نویسندگان ارشد این مطالعه بود، می‌گوید: ما می‌خواستیم ماده‌ای بسازیم که رفتار آن را بر اساس تاریخچه آن تنظیم کند.

محققان دانه‌های مغناطیسی به اندازه میکرومتر را سنتز کردند که سپس توسط یک میدان مغناطیسی تحریک می‌شدند. وقتی آهنربا روشن بود، مهره‌ها روی هم قرار گرفتند و ستون‌هایی را تشکیل دادند. قدرت میدان مغناطیسی بر شکل ستون‌ها تأثیر می‌گذارد که به نوبه خود بر میزان رسانایی الکتریسیته آن‌ها تأثیر می‌گذارد.

با این سیستم، ما محرک میدان مغناطیسی و پاسخ الکتریکی را جفت کردیم. جالب توجه است، ما دریافتیم که رسانایی الکتریکی بستگی به این دارد که آیا میدان مغناطیسی را به سرعت یا آهسته تغییر دهیم. این بدان معناست که پاسخ الکتریکی به تاریخچه میدان مغناطیسی بستگی دارد. اگر میدان مغناطیسی در حال افزایش یا کاهش بود، رفتار الکتریکی نیز متفاوت بود. پاسخ دوپایداری را نشان داد که شکل ابتدایی حافظه است. پنگ توضیح می‌دهد که این ماده طوری رفتار می‌کند که انگار حافظه‌ای از میدان مغناطیسی دارد.

یادگیری پایه

حافظه سیستم همچنین به آن اجازه می‌دهد تا به شیوه‌ای شبیه یادگیری ابتدایی رفتار کند. اگرچه یادگیری در موجودات زنده بسیار پیچیده است، اما اساسی‌ترین عنصر آن در حیوانات تغییر در پاسخ اتصالات بین نورون‌ها است که به عنوان سیناپس شناخته می‌شود. بسته به تعداد دفعات تحریک آن‌ها، سیناپس‌ها در یک نورون فعال‌تر یا آسان‌تر می‌شوند. این تغییر که به عنوان انعطاف‌پذیری سیناپسی کوتاه‌مدت شناخته می‌شود، باعث می‌شود که ارتباط بین یک جفت نورون بسته به تاریخچه اخیر آن‌ها قوی‌تر یا ضعیف‌تر شود.

محققان توانستند چیزی مشابه را با مهره‌های مغناطیسی خود انجام دهند، حتی اگر مکانیسم کاملاً متفاوت باشد. هنگامی که آن‌ها مهره‌ها را در معرض یک میدان مغناطیسی با ضربان سریع قرار دادند، مواد در رسانایی الکتریسیته بهتر شدند، در حالی که ضربان آهسته‌تر باعث می‌شد رسانایی ضعیفی داشته باشد.

پروفسور برجسته Aalto، Olli Ikkala می‌گوید: «این یادآور شکل‌پذیری کوتاه‌مدت سیناپسی است. مواد ما کمی شبیه سیناپس عمل می‌کند. آنچه ما نشان داده‌ایم راه را برای نسل بعدی مواد الهام‌گرفته از زندگی هموار می‌کند که از فرآیند بیولوژیکی سازگاری، حافظه و یادگیری استفاده می‌کنند.»

در آینده، حتی ممکن است مواد بیشتری وجود داشته باشد که به طور الگوریتمی از ویژگی‌های شبیه حیات الهام گرفته شده باشند، هرچند که شامل پیچیدگی کامل سیستم‌های بیولوژیکی نمی‌شوند. چنین موادی برای نسل بعدی ربات‌های نرم و نظارت پزشکی و محیطی محوری خواهند بود.»

این متن با استفاده از ربات ترجمه مقالات تکنولوژی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.