به گزارش شبکه خبری ICTPRESS،  این ماده واکنشی رفتار خود را بر اساس شرایط قبلی تغییر می دهد.
این ماده جدید 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 می‌توانند نقش حیاتی در نسل بعدی حسگرهای پزشکی و محیطی و همچنین در ربات‌های 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، می‌گوید: این ویژگی اساساً با سیستم‌های زنده متفاوت است که به‌طور پویا رفتار خود را بر اساس شرایط قبلی تطبیق می‌دهند. یکی از چالش های بزرگ بعدی در علم مواد، تولید مواد واقعا هوشمند با الهام از موجودات زنده است. می‌خواستیم ماده‌ای بسازیم که رفتار خود را بر اساس تاریخچه خود تنظیم کند.
محققان در این مطالعه دانه های مغناطیسی در اندازه میکرومتر ساختند که توسط یک میدان مغناطیسی تحریک می شدند. وقتی میدان مغناطیسی فعال می شد، 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 اثر می‌گذارد.
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.
یادگیری پایهحافظه 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 متفاوت است. 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 داده‌ایم راه را برای تولید نسل بعدی مواد الهام‌گرفته از موجودات زنده هموار می‌کند که از فرآیند زیست شناختی سازگاری، حافظه و یادگیری استفاده می‌کند.
در آینده، حتی ممکن است مواد بیشتری ساخته شوند که به طور الگوریتمی از ویژگی‌های شبیه حیات الهام گرفته شده باشند، هرچند پیچیدگی کامل سیستم‌های زیستی را نخواهند داشت. چنین موادی برای نسل بعدی ربات‌های نرم و نظارت پزشکی و محیطی، اهمیت اساسی خواهند داشت.