الذكاء الاصطناعي
نظام ذكاء اصطناعي قادر على تحريك الجزيئات الفردية
طور علماء من يوليش وبرلين نظام ذكاء اصطناعي قادر على التعلم بشكل مستقل كيفية تحريك الجزيئات الفردية من خلال استخدام مجهر المسح النفقي. نظرًا لأن الذرات والجزيئات لا تتصرف مثل الأشياء العيانية ، فإن كل واحدة من وحدات البناء هذه تحتاج إلى نظامها الخاص للحركة.
تم نشر الطريقة الجديدة ، التي يعتقد العلماء أنها يمكن استخدامها في تقنيات البحث والإنتاج مثل الطباعة الجزيئية ثلاثية الأبعاد علم السلف.
الطباعة 3D
تعد النماذج الأولية السريعة ، المعروفة أكثر باسم الطباعة ثلاثية الأبعاد ، فعالة للغاية من حيث التكلفة عندما يتعلق الأمر بإنشاء نماذج أولية أو نماذج. لقد ازدادت أهميتها على مر السنين حيث تحسنت التكنولوجيا باستمرار ، وهي الآن أداة رئيسية تستخدمها الصناعة.
الدكتور كريستيان واجنر هو رئيس مجموعة عمل ERC حول التلاعب الجزيئي في Forschungszentrum Jülich.
"إذا كان من الممكن نقل هذا المفهوم إلى المقياس النانوي للسماح بتجميع الجزيئات الفردية معًا أو فصلها مرة أخرى تمامًا مثل مكعبات LEGO ، فستكون الاحتمالات لا حصر لها تقريبًا ، نظرًا لوجود حوالي 1060 نوعًا يمكن تصوره من التلاعب الجزيئي في Forschungszentrum Jülich ،" يقول فاغنر.
"وصفات" فردية
أحد التحديات الرئيسية هو "الوصفات" الفردية اللازمة حتى يتمكن مجهر المسح النفقي من تحريك الجزيئات الفردية ذهابًا وإيابًا. هذه مطلوبة حتى يتمكن طرف المجهر من ترتيب الجزيئات مكانيًا وبطريقة مستهدفة.
لا يمكن حساب ما يسمى بالوصفة أو استنتاجها عن طريق الحدس ، والذي يرجع إلى الطبيعة المعقدة للميكانيكا على المقياس النانوي. الطريقة التي يعمل بها المجهر هي وجود مخروط صلب في طرفه ، والذي تلتصق به الجزيئات برفق. لكي تتحرك هذه الجزيئات ، يلزم وجود أنماط حركة معقدة.
الأستاذ الدكتور ستيفان تاوتز هو رئيس معهد علم النانو الكمومي في يوليش.
حتى الآن ، لم يكن مثل هذا التحرك المستهدف للجزيئات ممكنًا إلا يدويًا ، من خلال التجربة والخطأ. ولكن بمساعدة نظام التحكم الذاتي في البرامج ذاتية التعلم ، نجحنا الآن لأول مرة في إيجاد حل لهذا التنوع والتنوع على النطاق النانوي ، وفي أتمتة هذه العملية ، "يقول تاوتز.
تعزيز التعلم
أحد الجوانب الأساسية لهذا التطور هو التعلم المعزز، وهو نوع من التعلم الآلي الذي يتضمن قيام الخوارزمية بمحاولة تنفيذ مهمة بشكل متكرر والتعلم من كل محاولة.
الأستاذ الدكتور كلاوس روبرت مولر هو رئيس قسم التعلم الآلي في جامعة برلين التقنية.
ويضيف: "نحن لا نوصي وكيل البرمجيات بمسار الحل ، بل نكافئ النجاح ونعاقب الفشل".
"في حالتنا ، تم تكليف العامل بمهمة إزالة الجزيئات الفردية من الطبقة التي يتم الاحتفاظ بها بواسطة شبكة معقدة من الروابط الكيميائية. على وجه الدقة ، كانت هذه جزيئات بيريلين ، مثل تلك المستخدمة في الأصباغ والثنائيات العضوية الباعثة للضوء ، يضيف الدكتور كريستيان واجنر.
هناك نقطة أساسية لا يمكن أن تتجاوز فيها القوة المطلوبة لتحريك الجزيئات قوة الرابطة حيث يجذب المجهر النفقي الجزيء.
يقول فاغنر: "يجب على رأس المجهر إذن تنفيذ نمط حركة خاص ، كان علينا سابقًا اكتشافه يدويًا ، بالمعنى الحرفي للكلمة".
يتم استخدام التعلم المعزز بينما يتعلم وكيل البرنامج الحركات التي تعمل ، ويستمر في التحسن في كل مرة.
ومع ذلك ، فإن رأس مجهر المسح النفقي يتكون من ذرات معدنية يمكن أن تتحول ، وهذا يغير قوة الرابطة للجزيء.
"كل محاولة جديدة تزيد من خطر حدوث تغيير وبالتالي كسر الرابطة بين الطرف والجزيء. لذلك يضطر وكيل البرمجيات إلى التعلم بسرعة خاصة ، حيث يمكن أن تصبح خبراته قديمة في أي وقت ، "كما يقول البروفيسور الدكتور ستيفان تاوتز. "يبدو الأمر كما لو أن شبكة الطرق ، وقوانين المرور ، والهيكل ، وقواعد تشغيل المركبات تتغير باستمرار أثناء القيادة بشكل مستقل."
من أجل تجاوز هذا ، طور الباحثون البرنامج بحيث يتعلم نموذجًا بسيطًا للبيئة حيث يحدث التلاعب بالتوازي مع الدورات الأولية. من أجل تسريع عملية التعلم ، يتدرب الوكيل في نفس الوقت في الواقع وفي نموذجه الخاص.
يقول كلاوس روبرت مولر: "هذه هي المرة الأولى على الإطلاق التي ننجح فيها في الجمع بين الذكاء الاصطناعي وتكنولوجيا النانو".
يتابع تاوتز: "حتى الآن ، كان هذا مجرد" دليل على المبدأ ". "ومع ذلك ، نحن على ثقة من أن عملنا سيمهد الطريق للبناء الآلي بمساعدة الروبوت للهياكل الوظيفية فوق الجزيئية ، مثل الترانزستورات الجزيئية ، وخلايا الذاكرة ، أو الكيبتات - بسرعة ودقة وموثوقية تتجاوز بكثير ما هو ممكن حاليا ".
