Investigadores da Universidade de Amesterdão demonstraram um tipo de metamaterial ativo capaz de aprender, adaptar-se a estímulos e até executar movimentos autónomos. A novidade aproxima materiais sintéticos do comportamento típico de organismos vivos, superando a rigidez habitual da matéria inerte e a lógica pré-programada de muitos robôs.
Aprendizado incorporado em cadeias de unidades motorizadas
O estudo recorreu a cadeias formadas por pequenas esferas interligadas, descritas pelos autores como “colares vivos”. Cada esfera integra um microcontrolador que mede a rotação aplicada, armazena o histórico de movimentos e partilha dados com as unidades vizinhas. A comunicação local permite que cada módulo aplique um torque variável, alterando tanto a rigidez como a posição preferencial do segmento correspondente.
Ao serem submetidos a exemplos sucessivos, esses módulos ajustam os parâmetros internos e passam a reproduzir a forma demonstrada. Durante o processo, o material pode “esquecer” configurações antigas, absorver novas referências ou memorizar várias formas em paralelo, selecionando cada uma conforme o comando recebido. Essa plasticidade lembra o modo como organismos simples adaptam-se ao meio mesmo sem um sistema nervoso centralizado.
Segundo a equipa, o resultado mais notável reside na capacidade de evolução contínua. Uma vez iniciado o aprendizado, o conjunto de estados possíveis cresce rapidamente, abrindo espaço para comportamentos que não estavam previstos na fase inicial. A observação foi descrita como “empolgante” pelo investigador Yao Du, que coordena a iniciativa em Amesterdão.
Da mudança de forma à locomoção autônoma
Depois de dominar formas estáticas, os colares sintéticos executaram tarefas práticas. Em ensaios de laboratório, as cadeias alteraram o contorno para agarrar objetos, fixando-os de maneira estável. Noutros testes, as unidades trabalharam em conjunto para gerar deslocamento, comportando-se de modo semelhante a vermes que se estendem e contraem para avançar.
Esse tipo de locomoção surge sem programação centralizada. Cada microcontrolador reage apenas às medições locais e às mensagens recebidas dos vizinhos imediatos. A simplicidade de regras em nível individual converge para padrões globais complexos, numa dinâmica típica de sistemas distribuídos.
A possibilidade de combinar preensão e movimento amplia o leque de aplicações futuramente exploráveis. A literatura sobre matéria ativa menciona áreas como libertação controlada de fármacos, materiais autocurativos e robótica de enxame, onde pequenos agentes cooperam para executar tarefas em ambientes imprevisíveis.
Diferenças face a materiais convencionais e robótica clássica
Materiais inertes, usados na vida quotidiana, apresentam respostas fixas a forças externas: comprimem, esticam ou quebram segundo propriedades físicas definidas de fábrica. Robôs tradicionais, por sua vez, dependem de controladores centrais que enviam instruções claras a cada atuador. Já os metamateriais agora propostos situam-se num ponto intermédio. Eles não possuem cérebro digital ou biológico, mas aprendem e adaptam-se graças à interação local entre unidades idênticas.
O conceito encaixa-se na chamada “matéria semelhante à vida”. Em vez de replicar integralmente organismos biológicos, os cientistas tentam atribuir a objetos sintéticos atributos como memória, decisão distribuída e reação a múltiplos estímulos. O avanço relatado demonstra que essa estratégia não precisa recorrer a circuitos complexos ou algoritmos de inteligência artificial externos; basta definir regras simples gravadas nos microcontroladores e permitir que o próprio material explore novos estados.
Imagem: Tecnologia & Inovação
Próximos passos da investigação
A equipa planeia expandir o aprendizado para comportamentos dependentes do tempo. Em vez de estabilizar uma geometria fixa, o objetivo é ensinar diferentes padrões de locomoção, como rastejar ou rolar, escolhidos conforme alterações no ambiente. Outro foco são cenários estocásticos, nos quais ruídos ou incertezas afetam as medições. Nesses casos, o material deverá adaptar-se de forma probabilística, aumentando robustez e versatilidade em condições reais.
Os investigadores mencionam ainda a intenção de testar o desempenho em escalas maiores, avaliando como cadeias mais longas ou estruturas bidimensionais respondem ao mesmo princípio de aprendizado descentralizado. A adoção dessa tecnologia em aplicações industriais dependerá da capacidade de produção em série, do custo dos microcontroladores e da eficiência energética dos atuadores incorporados.
Perspetivas para aplicações práticas
Entre os campos que poderão beneficiar-se, a administração de medicamentos destaca-se. Dispositivos flexíveis capazes de alterar forma ao longo do trato digestivo podem libertar substâncias em pontos específicos, aumentando a eficácia terapêutica e reduzindo efeitos colaterais. Já em robótica de enxame, conjuntos de micro-agentes com aprendizado incorporado poderiam navegar por tubulações, minas ou zonas de desastre, adaptando-se a obstáculos sem supervisão constante.
Outra vertente envolve materiais autocurativos. Estruturas que detetam e respondem a fissuras poderiam reorganizar-se para conter danos, prolongando a vida útil de componentes em edifícios, pontes ou equipamentos industriais. A mesma estratégia pode originar sistemas de absorção de impacto que reajustam a rigidez conforme a intensidade da força aplicada, com potencial para uso em proteção pessoal ou segurança automotiva.
Limitações atuais e desafios de engenharia
Apesar do progresso, o protótipo ainda opera em ambiente de laboratório, com energia e processamento distribuídos por fios ou baterias de pequena dimensão. Para aplicação em larga escala, será necessário miniaturizar os componentes eletrónicos, reduzir o consumo e encontrar meios de alimentação adequados, como colheita de energia ambiente ou baterias flexíveis.
Além disso, a coordenação entre centenas ou milhares de unidades exige protocolos de comunicação resilientes a falhas. O ruído presente em cenários do mundo real pode interferir nas medições de rotação ou nas transmissões entre módulos. A investigação em curso sobre aprendizado estocástico procura justamente mitigar esses riscos, permitindo que o sistema funcione com margens de erro aceitáveis.
Conclusão
A demonstração de metamateriais que aprendem a alterar forma, memorizar múltiplas configurações e gerar movimento autónomo marca um avanço relevante na pesquisa sobre matéria ativa. O trabalho conduzido na Universidade de Amesterdão confirma que a combinação de unidades simples, ligações elásticas e troca de dados locais basta para produzir comportamentos comparáveis aos de organismos rudimentares. Embora desafios de engenharia permaneçam, o conceito abre caminho para dispositivos versáteis em saúde, construção, robótica e outras áreas onde adaptação e resiliência são cruciais.
