Künstliche Intelligenz-System kann einzelne Moleküle bewegen

Wissenschaftler aus Jülich und Berlin haben ein künstliches Intelligenz-System entwickelt, das in der Lage ist, autonom zu lernen, wie man einzelne Moleküle mit Hilfe eines Rastertunnelmikroskops bewegt. Da Atome und Moleküle nicht wie makroskopische Objekte agieren, benötigt jedes dieser Bausteine sein eigenes System für die Bewegung.

Die neue Methode, die die Wissenschaftler für Forschung und ProduktionsTechnologien wie molekulare 3D-Druck verwenden können, wurde in Science Advances veröffentlicht.

3D-Druck

Rapid Prototyping, auch bekannt als 3D-Druck, ist extrem kosteneffizient, wenn es darum geht, Prototypen oder Modelle zu erstellen. Es hat in den letzten Jahren an Bedeutung gewonnen, da die Technologie ständig verbessert wurde, und ist jetzt ein wichtiges Werkzeug in der Industrie.

Dr. Christian Wagner ist Leiter der ERC-Arbeitsgruppe für Molekülmanipulation am Forschungszentrum Jülich.

“Wenn dieses Konzept auf die Nanoskala übertragen werden könnte, um einzelne Moleküle spezifisch zusammenzubauen oder wieder zu trennen, wie LEGO-Steine, wären die Möglichkeiten fast endlos, da es am Forschungszentrum Jülich etwa 10^60 mögliche Arten der Molekülmanipulation gibt”, sagt Wagner.

Individuelle “Rezepte”

Eine der Hauptherausforderungen sind die individuellen “Rezepte”, die benötigt werden, um das Rastertunnelmikroskop zu bewegen, um einzelne Moleküle vor und zurück zu bewegen. Diese sind notwendig, damit die Spitze des Mikroskops Moleküle räumlich und gezielt anordnen kann.

Das sogenannte Rezept kann nicht berechnet oder durch Intuition abgeleitet werden, was auf die komplexe Natur der Mechanik auf der Nanoskala zurückzuführen ist. Die Art und Weise, wie das Mikroskop funktioniert, besteht darin, dass eine starre Spitze am Ende eine Molekül leicht anhaften lässt. Um diese Moleküle zu bewegen, sind komplexe Bewegungsmuster erforderlich.

Prof. Dr. Stefan Tautz ist Leiter des Quantum Nanoscience Institute in Jülich.

“Bisher war es nur möglich, diese gezielte Bewegung von Molekülen von Hand durchzuführen, durch Trial und Error. Aber mit Hilfe eines selbstlernenden, autonomen Software-Steuerungssystems haben wir es jetzt zum ersten Mal geschafft, eine Lösung für diese Vielfalt und Variabilität auf der Nanoskala zu finden und diesen Prozess zu automatisieren”, sagt Tautz.

Reinforcement Learning

Einer der grundlegenden Aspekte dieser Entwicklung ist das Reinforcement Learning, eine Art des maschinellen Lernens, bei der der Algorithmus eine Aufgabe wiederholt ausführt und aus jedem Versuch lernt.

Prof. Dr. Klaus-Robert Müller ist Leiter der Abteilung für maschinelles Lernen an der TU Berlin.

“Wir legen dem Software-Agenten keinen Lösungsweg vor, sondern belohnen Erfolg und bestrafen Misserfolg”, sagt er.

“In unserem Fall wurde dem Agenten die Aufgabe gegeben, einzelne Moleküle aus einer Schicht zu entfernen, in der sie durch ein komplexes Netzwerk chemischer Bindungen gehalten werden. Genauer gesagt, handelte es sich um Perylen-Moleküle, wie sie in Farbstoffen und organischen Leuchtdioden verwendet werden”, fügt Dr. Christian Wagner hinzu.

Es gibt einen kritischen Punkt, an dem die Kraft, die erforderlich ist, um die Moleküle zu bewegen, die Stärke der Bindung nicht überschreiten darf, an der die Tunnelmikroskop-Spitze das Molekül anzieht.

“Die Mikroskopspitze muss daher ein spezielles Bewegungsmuster ausführen, das wir zuvor von Hand entdecken mussten, buchstäblich”, sagt Wagner.

Reinforcement Learning wird verwendet, während der Software-Agent lernt, welche Bewegungen funktionieren, und er verbessert sich jedes Mal.

Allerdings besteht die Spitze des Rastertunnelmikroskops aus Metallatomen, die sich verschieben können, und dies ändert die Bindungsstärke des Moleküls.

“Jeder neue Versuch erhöht das Risiko einer Änderung und damit des Bruchs der Bindung zwischen Spitze und Molekül. Der Software-Agent muss daher besonders schnell lernen, da seine Erfahrungen jederzeit veraltet sein können”, sagt Prof. Dr. Stefan Tautz. “Es ist ein bisschen so, als ob das Straßennetz, die Verkehrsregeln, die Karosserie und die Regeln für die Bedienung der Fahrzeuge ständig ändern, während man autonom fährt.”

Um dies zu überwinden, entwickelten die Forscher die Software so, dass sie ein einfaches Modell der Umgebung lernt, in der die Manipulation stattfindet, parallel zu den ersten Zyklen. Um den Lernprozess zu beschleunigen, trainiert der Agent gleichzeitig in der Realität und in seinem eigenen Modell.

“Dies ist das erste Mal, dass wir es geschafft haben, künstliche Intelligenz und Nanotechnologie zusammenzubringen”, sagt Klaus-Robert Müller.

“Bisher war dies nur ein ‘Proof of Principle'”, fügt Tautz hinzu. “Allerdings sind wir zuversichtlich, dass unsere Arbeit den Weg für die robotergestützte automatisierte Konstruktion von funktionalen supramolekularen Strukturen, wie molekulare Transistoren, Speicherzellen oder Qubits, mit einer Geschwindigkeit, Präzision und Zuverlässigkeit weit über dem gegenwärtig Möglichen, ebnen wird.”

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