نظام الذكاء الاصطناعي القادر على تحريك الجزيئات الفردية

قام علماء من يوليش وبرلين بتطوير نظام ذكاء اصطناعي قادر على تعلم كيفية تحريك الجزيئات الفردية بشكل مستقل باستخدام مجهر نفق مسح. نظرًا لأن الذرات والجزيئات لا تتحرك مثل الأجسام الكبيرة، فإن كل واحد من هذه الكتل الحيوية يحتاج إلى نظام خاص به لتحريكه.

تم نشر الطريقة الجديدة، والتي يعتقد العلماء أنها يمكن استخدامها لأبحاث وتكنولوجيا الإنتاج مثل الطباعة ثلاثية الأبعاد الجزيئية، في Science Advances.

الطباعة ثلاثية الأبعاد

النمذجة السريعة، والمعروفة أيضًا باسم الطباعة ثلاثية الأبعاد، هي طريقة经济ية للغاية لإنشاء نماذج أو نماذج أولية. وقد زادت أهميتها مع مرور السنوات مع تحسن التكنولوجيا باستمرار، وهي الآن أداة رئيسية تستخدمها الصناعة.

الدكتور كريستيان فاغنر هو رئيس مجموعة العمل الأوروبية حول التلاعب الجزيئي في Forschungszentrum Jülich.

“إذا كان يمكن نقل هذا المفهوم إلى النطاق النانوي لتمكين الجزيئات الفردية من التجميع أو الفصل مرة أخرى مثل قطع LEGO، فإن الإمكانيات ستكون लगभग لا حصر لها، نظرًا لأن هناك حوالي 1060 نوعًا من التلاعب الجزيئي في Forschungszentrum Jülich،” يقول فاغنر.

وصفات فردية

أحد التحديات الرئيسية هو الحاجة إلى “وصفات” فردية لتحريك الجزيئات الفردية إلى الأمام والخلف باستخدام مجهر نفق مسح. هذه الضرورية لترتيب الجزيئات بشكل فضائي ومدروس.

لا يمكن حساب الوصفة أو استنتاجها بال直觉، وذلك بسبب الطبيعة المعقدة للميكانيكا على النطاق النانوي. يعمل المجهر عن طريق وجود مخروط صلب في النهاية، والتي تلتصق الجزيئات بها بشكل خفيف. من أجل تحريك الجزيئات، يتم استخدام أنماط حركة معقدة.

أستاذ دكتور ستيفان تاوتز هو رئيس معهد العلوم النانوية الكمومية في يوليش.

“حتى الآن، كان من الممكن تحريك الجزيئات بشكل مستهدف فقط باليد، من خلال التجربة والخطأ. ولكن مع مساعدة نظام تحكم برمجي ذاتي التعلم، نجحنا لأول مرة في إيجاد حل لهذه التنوع والمتغيرات على النطاق النانوي، وتحقيق تلقائي هذه العملية،” يقول تاوتز.

التعلم التعزيزي

أحد الجوانب الأساسية لهذا التطوير هو التعلم التعزيزي، وهو نوع من التعلم الآلي الذي يتضمن محاولة الخوارزمية لتنفيذ مهمة وتعلم من كل محاولة.

أستاذ دكتور كلاوس روبرت مولر هو رئيس قسم التعلم الآلي في جامعة برلين التقنية.

“نحن لا نحدد مسار حل للوكيل البرمجي، بل نكافئ النجاح ونعاقب الفشل،” يقول.

“في حالتنا، تم تعيين مهمة للوكيل لازالة الجزيئات الفردية من طبقة يتم احتجازها بواسطة شبكة معقدة من الروابط الكيميائية. على وجه الدقة، كانت هذه جزيئات بيريلين، مثل تلك المستخدمة في الأصباغ والديودات العضوية المتألقة،” يضيف الدكتور كريستيان فاغنر.

هناك نقطة حاسمة حيث لا يمكن أن يتجاوز القوة المطلوبة لتحريك الجزيئات قوة الرابطة حيث يجذب المجهر الجزيئات.

“يجب على رأس المجهر تنفيذ نمط حركة خاص، الذي كنا نكتشفه في السابق باليد، حرفيًا،” يقول فاغنر.

يتم استخدام التعلم التعزيزي أثناء تعلم الوكيل البرمجي الحركات التي تعمل، ويستمر في التحسين مع كل مرة.

然而، يتكون رأس مجهر المسح النفقي من ذرات معدنية، والتي يمكن أن تتغير، مما يغير قوة رابطة الجزيئات.

“كل محاولة جديدة تزيد من خطر التغيير وبالتالي كسر الرابطة بين الرأس والجزيئات. لذلك، يُجبر الوكيل البرمجي على التعلم بسرعة، لأن تجاربه يمكن أن تصبح عفا عليها الزمن في أي وقت،” يقول أستاذ دكتور ستيفان تاوتز. “إنه قليلًا مثل أن الشبكة الطرقية والقوانين المرورية والهيكل والقواعد لتشغيل المركبات تتغير باستمرار أثناء القيادة ذاتية التحكم.”

为了 تجاوز ذلك، قام الباحثون بتطوير البرنامج ليتعلم نموذجًا بسيطًا للبيئة حيث يحدث التلاعب بشكل موازٍ مع الدورات الأولية.为了 تسريع عملية التعلم، يتم تدريب الوكيل في الوقت نفسه في الواقع وفي نموذجه.

“هذا هو الأول من نوعه الذي نجحنا في الجمع بين الذكاء الاصطناعي والتكنولوجيا النانوية،” يقول كلاوس روبرت مولر.

“حتى الآن، كانت هذه مجرد ‘دليل على المبدأ’،” يستمر تاوتز. “然而، نحن واثقون من أن عملنا سوف يفتح الطريق لإنشاء هياكل فوق جزيئية وظيفية، مثل الترانزستورات الجزيئية، وخلويات الذاكرة، أو كيوبيت — بسرعة ودقة وموثوقية تتجاوز ما هو ممكن حاليًا.”

https://www.youtube.com/watch?v=MU9AMczMeN4&feature=emb_title