Kunstig intelligenssystem kan flytte enkeltmolekyler

Forskere fra Jülich og Berlin har udviklet et kunstig intelligenssystem, der kan lære at flytte enkeltmolekyler på egen hånd ved hjælp af et scanningtunnelmikroskop. Fordi atomer og molekyler ikke opfører sig som makroskopiske objekter, har hver af disse byggestenene brug for sit eget system til at flytte dem.

Den nye metode, som forskerne mener kan bruges til forskning og produktions-teknologier som molekylær 3D-printning, er offentliggjort i Science Advances.

3D-printning

Hurtig prototypering, mere kendt som 3D-printning, er ekstremt omkostningseffektiv, når det kommer til at skabe prototyper eller modeller. Det har været stigende i betydning over årene, da teknologien konstant er blevet forbedret, og det er nu et vigtigt værktøj, der bruges af industrien.

Dr. Christian Wagner er leder af ERC-arbejdsgruppen om molekylær manipulation ved Forschungszentrum Jülich.

“Hvis dette koncept kunne overføres til nanoskalaen, så molekylerne kunne sættes sammen eller adskilles igen, ligesom LEGO-klodser, ville mulighederne være næsten uendelige, eftersom der er omkring 10^60 mulige typer molekylær manipulation ved Forschungszentrum Jülich,” siger Wagner.

Enkelt “opskrifter”

En af de største udfordringer er de enkelt “opskrifter”, der er nødvendige for, at scanningtunnelmikroskopet kan flytte enkeltmolekyler frem og tilbage. Disse er nødvendige, så mikroskopets spids kan arrangere molekylerne rumligt og målrettet.

Den såkaldte “opskrift” kan ikke beregnes eller afledes af intuition, hvilket skyldes den komplekse natur af mekanikken på nanoskalaen. Mikroskopet virker ved at have en fast kegle på spidsen, som molekylerne let kan klæbe til. For at disse molekyler kan flyttes rundt, er komplekse bevægelsesmønstre nødvendige.

Prof. Dr. Stefan Tautz er leder af Quantum Nanoscience Institute ved Jülich.

“Indtil nu har det kun været muligt at flytte molekyler målrettet ved håndkraft, gennem prøvning og fejl. Men med hjælp af en selv-lærende, autonom softwarekontrolsystem, har vi nu lykkes i at finde en løsning for denne diversitet og variabilitet på nanoskalaen, og i at automatisere denne proces,” siger Tautz.

Forstærket læring

En af de grundlæggende aspekter af denne udvikling er forstærket læring, som er en type maskinlæring, der indebærer, at algoritmen gentagne gange forsøger en opgave og lærer af hver forsøg.

Prof. Dr. Klaus-Robert Müller er leder af Maskinlæring-afdelingen ved TU Berlin.

“Vi foreskriver ikke en løsningsvej for software-agenten, men belønner succes og straffer fejl,” siger han.

“I vores tilfælde fik agenten opgaven at fjerne enkeltmolekyler fra et lag, hvor de holdes af et komplekst netværk af kemiske bindinger. For at være præcis, var disse perylen-molekyler, såsom de bruges i farvestoffer og organiske lys-emitterende dioder,” tilføjer Dr. Christian Wagner.

Der er et vigtigt punkt, hvor kraften, der er nødvendig for at flytte molekylerne, ikke kan overstige styrken af bindingen, hvor tunnelmikroskopet tiltrækker molekylet.

“Mikroskopets spids må derfor udføre et særligt bevægelsesmønster, som vi tidligere havde at opdage ved håndkraft, bogstaveligt talt,” siger Wagner.

Forstærket læring bruges, mens software-agenten lærer, hvilke bevægelser der virker, og det forbedrer sig hver gang.

Men mikroskopets spids består af metalatomer, som kan flyttes, og dette ændrer bindingens styrke af molekylet.

“Hver ny forsøg øger risikoen for en ændring og dermed bruddet af bindingen mellem spids og molekyle. Software-agenten er derfor tvunget til at lære særligt hurtigt, da dens erfaringer kan blive forældede på ethvert tidspunkt,” siger Prof. Dr. Stefan Tautz. “Det er lidt som, hvis vejnettet, trafiklovene, karrosseriet og reglerne for kørsel af køretøjer konstant ændrer sig, mens man kører autonomt.”

For at komme forbi dette har forskerne udviklet softwaren, så den lærer en simpel model af miljøet, hvor manipulationen sker i parallel med de første cyklusser. For at accelerere læreprocessen træner agenten samtidig i virkeligheden og i sin egen model.

“Dette er første gang, vi har lykkes i at kombinere kunstig intelligens og nanoteknologi,” siger Klaus-Robert Müller.

“Indtil nu har dette kun været en ‘proof of principle’,” fortsætter Tautz. “Men vi er sikre på, at vores arbejde vil banke vejen for den robot-assisterede automatiserede konstruktion af funktionelle supramolekylære strukturer, såsom molekylære transistorer, hukommelsesceller eller quibits — med en hastighed, præcision og pålidelighed langt ud over, hvad der i øjeblikket er muligt.”

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