por
El Departamento de Defensa de EE. UU. (DoD) anunció recientemente los ganadores de sus premios de Iniciativa de Investigación Universitaria Multidisciplinaria (MURI) para 2023. Este año, los profesores del Departamento de Ingeniería Mecánica (MechE) del MIT George Barbasthasis y John Hart, del Departamento de Electricidad e Informática del MIT El Profesor Asistente de Ingeniería de Ciencias (EECS) Pulkit Agrawal y el Profesor Asociado Rob Macfarlane del Departamento de Ciencia e Ingeniería de Materiales del MIT son los Investigadores Principales de los proyectos seleccionados para los Premios MURI. Otros dos del MIT, la profesora Ila Fiete del Departamento de Ciencias Cognitivas y del Cerebro y la Directora de Participación Estratégica de la Industria del MIT Schwarzman College of Computing Aude Oliva, participarán en estos proyectos.
Además, tres proyectos MURI liderados por profesores de otras instituciones colaborarán con otros investigadores del MIT. Los premios MURI 2023 suman $ 220 millones y financiarán 31 proyectos de investigación en una larga lista de instituciones.
El programa MURI está diseñado para apoyar la investigación en áreas de importancia crítica para la defensa nacional y reúne a equipos de investigadores de múltiples universidades para colaborar en proyectos que se espera que conduzcan a avances significativos en ciencia y tecnología. El programa es altamente competitivo, con solo una pequeña fracción de propuestas que reciben financiamiento cada año, y tiene un sólido historial de apoyo a la investigación que ha llevado a avances en campos que van desde la ciencia de los materiales hasta la tecnología de la información.
Límites fundamentales de la microscopía de rayos X a nanoescala en materiales sensibles a la radiación
Uno de los proyectos financiados se titula “En busca de novedades: el desarrollo sistemático de la microscopía dinámica de rayos X”. Esto estará dirigido por el profesor George Barbastathis de MechE, junto con colegas de la Universidad Northwestern y la Universidad Stony Brook, y se enmarca en el tema MURI de Límites fundamentales de la microscopía de rayos X a nanoescala en materiales sensibles a la radiación.
Barbastathis y su equipo explican que los microscopios de rayos X ofrecen capacidades únicas, pero también pueden ser perjudiciales para los objetos pequeños que capturan. Este equipo ha desarrollado un nuevo enfoque que ofrece un cambio de paradigma hacia una mayor resolución y el estudio de la dinámica, permitiendo partir del conocimiento ya adquirido sobre un objeto específico, en lugar de partir de una página en blanco. Esto debería permitirles usar exposiciones de rayos X menos dañinas. El equipo planea probar este enfoque para estudiar tres sistemas modelo: máquinas pequeñas, baterías y celdas.
Este proyecto está patrocinado por la Oficina de Investigación Científica de la Fuerza Aérea de los EE. UU. y ayudará al Departamento de Defensa proporcionando nueva información sobre la función de las baterías utilizadas en la electrónica que llevan las tropas, los aviones y otros lugares; en la respuesta de sistemas mecánicos microelectrónicos, utilizados en campo como sensores; y en la respuesta biológica de las células al estrés externo y los cambios ambientales.
Propiedades de materiales programadas espacialmente a través de mesoestructuras diseñadas
John Hart y Rob Macfarlane codirigen un proyecto MURI titulado «Ensamblaje dirigido de arquitecturas de mesoescala en fabricación aditiva», patrocinado por la Oficina de Investigación Naval de los Estados Unidos. El proyecto es en colaboración con los profesores AJ Boydston de la Universidad de Wisconsin; Randall Erb y Safa Jamali de la Universidad del Noreste; y Arthi Jayaraman de la Universidad de Delaware. La experiencia del equipo abarca la química, la ciencia de los materiales, la simulación, el aprendizaje automático, el diseño y la caracterización de máquinas.
Aunque la fabricación aditiva puede crear geometrías complejas a partir de una amplia variedad de materiales, generalmente no es posible controlar la arquitectura del material a una escala de longitud por debajo de la resolución del proceso aditivo. El equipo de MURI combinará la fabricación aditiva con el ensamblaje dirigido «de abajo hacia arriba», utilizando polímeros y bloques de construcción de nanopartículas hechos a medida, y construyendo nuevos instrumentos para estudiar el proceso y validar las predicciones computacionales. El objetivo final del proyecto es realizar materiales y estructuras con propiedades electromagnéticas térmicas y ópticas emergentes que podrían usarse, por ejemplo, para enfriar dispositivos electrónicos de alta potencia, sistemas de comunicación de última generación y cámaras de alto rendimiento.
Aprendizaje profundo distribuido inspirado en la neurología
Pulkit Agrawal, profesor asistente en EECS y afiliado al MIT Computer Science and Artificial Intelligence Lab (CSAIL) y al MIT Laboratory for Information and Decision Systems (LIDS), lidera un tercer proyecto MURI. El equipo de Agrawal, que incluye a Ila Fiete y Aude Oliva del MIT, así como investigadores de la Universidad de Harvard y la Universidad de California, Berkeley, propone una alternativa a la práctica común de aprendizaje automático de condensar grandes conjuntos de datos en pesos de redes neuronales profundas y descartar el entrenamiento. datos en sí. Tal enfoque tiene limitaciones fundamentales con respecto al aprendizaje permanente y los problemas asociados de generalización, razonamiento a largo plazo y olvido catastrófico. Como tal, la propuesta sugiere evitar comprimir los datos por adelantado y, en su lugar, combinar los datos sobre la marcha para el entorno o la tarea que enfrenta el agente, utilizando la recolección de elementos no utilizados para mejorar la generalización.
El trabajo tiene como objetivo articular un conjunto de principios computacionales de alto nivel para diseñar sistemas de memoria, aprovechando el conocimiento de cómo el cerebro codifica y recupera información de la memoria. Su objetivo es determinar cómo se pueden aprovechar estos principios para abordar tareas desafiantes de aprendizaje automático, comprender cómo los sistemas de memoria biológica representan y recuperan entradas naturalistas y ayudar en la integración de la IA en una gran variedad de sistemas del mundo real. Idealmente, el resultado final producirá algoritmos prácticos para la generalización a nuevas tareas, el aprendizaje permanente sin olvidos catastróficos y la transferencia entre modalidades sensoriales.
