Τεχνητή νοημοσύνη
Σύστημα τεχνητής νοημοσύνης ικανό να μετακινεί μεμονωμένα μόρια
Επιστήμονες από το Jülich και το Βερολίνο ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης που είναι ικανό να μαθαίνει αυτόνομα πώς να μετακινεί μεμονωμένα μόρια μέσω της χρήσης ενός μικροσκοπίου σάρωσης σήραγγας. Επειδή τα άτομα και τα μόρια δεν δρουν σαν μακροσκοπικά αντικείμενα, κάθε ένα από αυτά τα δομικά στοιχεία χρειάζεται το δικό του σύστημα για κίνηση.
Η νέα μέθοδος, η οποία οι επιστήμονες πιστεύουν ότι μπορεί να χρησιμοποιηθεί για τεχνολογίες έρευνας και παραγωγής όπως η μοριακή τρισδιάστατη εκτύπωση, δημοσιεύτηκε στο Προκαταβολές Επιστήμη.
3D Εκτύπωση
Η ταχεία δημιουργία πρωτοτύπων, πιο γνωστή ως τρισδιάστατη εκτύπωση, είναι εξαιρετικά οικονομικά αποδοτική όταν πρόκειται για τη δημιουργία πρωτοτύπων ή μοντέλων. Έχει αυξηθεί σε σημασία με τα χρόνια, καθώς η τεχνολογία βελτιώνεται συνεχώς, και είναι πλέον ένα σημαντικό εργαλείο που χρησιμοποιείται από τη βιομηχανία.
Ο Δρ. Christian Wagner είναι επικεφαλής της ομάδας εργασίας του ERC για τη μοριακή χειραγώγηση στο Forschungszentrum Jülich.
«Αν αυτή η ιδέα μπορούσε να μεταφερθεί στη νανοκλίμακα για να επιτρέψει σε μεμονωμένα μόρια να συναρμολογηθούν ή να διαχωριστούν ξανά όπως τα τουβλάκια LEGO, οι δυνατότητες θα ήταν σχεδόν ατελείωτες, δεδομένου ότι υπάρχουν περίπου 1060 πιθανοί τύποι μοριακών χειρισμών στο Forschungszentrum Jülich». λέει ο Βάγκνερ.
Ατομικές «Συνταγές»
Μία από τις κύριες προκλήσεις είναι οι μεμονωμένες «συνταγές» που απαιτούνται προκειμένου το μικροσκόπιο σάρωσης σήραγγας να μετακινήσει μεμονωμένα μόρια εμπρός και πίσω. Αυτά χρειάζονται ώστε η άκρη του μικροσκοπίου να μπορεί να τακτοποιεί τα μόρια χωρικά και με στοχευμένο τρόπο.
Η λεγόμενη συνταγή δεν μπορεί να υπολογιστεί ή να συναχθεί με τη διαίσθηση, κάτι που οφείλεται στην περίπλοκη φύση της μηχανικής στη νανοκλίμακα. Ο τρόπος που λειτουργεί το μικροσκόπιο είναι έχοντας έναν άκαμπτο κώνο στην άκρη, στον οποίο κολλάνε ελαφρά τα μόρια. Για να κινηθούν αυτά τα μόρια, απαιτούνται πολύπλοκα μοτίβα κίνησης.
Ο καθηγητής Δρ. Stefan Tautz είναι επικεφαλής του Quantum Nanoscience Institute στο Jülich.
«Μέχρι σήμερα, μια τέτοια στοχευμένη κίνηση μορίων ήταν δυνατή μόνο με το χέρι, μέσω δοκιμής και λάθους. Αλλά με τη βοήθεια ενός αυτομάθησης, αυτόνομου συστήματος ελέγχου λογισμικού, καταφέραμε τώρα για πρώτη φορά να βρούμε μια λύση για αυτήν την ποικιλομορφία και μεταβλητότητα στη νανοκλίμακα και να αυτοματοποιήσουμε αυτή τη διαδικασία», λέει ο Tautz.
Μάθηση Ενίσχυσης
Μία από τις θεμελιώδεις πτυχές αυτής της ανάπτυξης είναι η ενισχυτική μάθηση, η οποία είναι ένας τύπος μηχανικής μάθησης που περιλαμβάνει τον αλγόριθμο να επιχειρεί επανειλημμένα μια εργασία και να μαθαίνει από κάθε προσπάθεια.
Ο Καθ. Δρ. Klaus-Robert Müller είναι επικεφαλής του τμήματος Machine Learning στο TU Berlin.
«Δεν συνταγογραφούμε μια διαδρομή λύσης για τον πράκτορα λογισμικού, αλλά ανταμείβουμε την επιτυχία και τιμωρούμε την αποτυχία», λέει.
«Στην περίπτωσή μας, ο παράγοντας είχε το καθήκον να αφαιρέσει μεμονωμένα μόρια από ένα στρώμα στο οποίο συγκρατούνται από ένα πολύπλοκο δίκτυο χημικών δεσμών. Για την ακρίβεια, αυτά ήταν μόρια περυλενίου, όπως αυτά που χρησιμοποιούνται σε βαφές και οργανικές διόδους εκπομπής φωτός», προσθέτει ο Δρ Christian Wagner.
Υπάρχει ένα βασικό σημείο στο οποίο η δύναμη που απαιτείται για την κίνηση των μορίων δεν μπορεί να υπερβεί την ισχύ του δεσμού όπου το μικροσκόπιο σήραγγας έλκει το μόριο.
«Η άκρη του μικροσκοπίου πρέπει επομένως να εκτελέσει ένα ειδικό μοτίβο κίνησης, το οποίο προηγουμένως έπρεπε να ανακαλύψουμε με το χέρι, κυριολεκτικά», λέει ο Wagner.
Η ενισχυτική μάθηση χρησιμοποιείται ενώ ο πράκτορας λογισμικού μαθαίνει ποιες κινήσεις λειτουργούν και συνεχίζει να βελτιώνεται κάθε φορά.
Ωστόσο, η άκρη του μικροσκοπίου σάρωσης σήραγγας αποτελείται από άτομα μετάλλου, τα οποία μπορούν να μετατοπιστούν και αυτό αλλάζει την ισχύ του δεσμού του μορίου.
«Κάθε νέα προσπάθεια κάνει μεγαλύτερο τον κίνδυνο μιας αλλαγής και, επομένως, της θραύσης του δεσμού μεταξύ άκρης και μορίου. Ο πράκτορας λογισμικού είναι επομένως αναγκασμένος να μαθαίνει ιδιαίτερα γρήγορα, καθώς οι εμπειρίες του μπορεί να γίνουν παρωχημένες ανά πάσα στιγμή», λέει ο καθηγητής Δρ. Stefan Tautz. "Είναι λίγο σαν το οδικό δίκτυο, οι νόμοι κυκλοφορίας, το αμάξωμα και οι κανόνες για τη λειτουργία των οχημάτων να αλλάζουν συνεχώς κατά την αυτόνομη οδήγηση."
Για να το ξεπεράσουν αυτό, οι ερευνητές ανέπτυξαν το λογισμικό έτσι ώστε να μαθαίνει ένα απλό μοντέλο του περιβάλλοντος όπου ο χειρισμός γίνεται παράλληλα με τους αρχικούς κύκλους. Προκειμένου να επιταχυνθεί η διαδικασία εκμάθησης, ο πράκτορας εκπαιδεύεται ταυτόχρονα στην πραγματικότητα και στο δικό του μοντέλο.
«Είναι η πρώτη φορά που καταφέραμε να συνδυάσουμε την τεχνητή νοημοσύνη και τη νανοτεχνολογία», λέει ο Klaus-Robert Müller.
«Μέχρι τώρα, αυτό ήταν μόνο μια «απόδειξη αρχής», συνεχίζει ο Tautz. «Ωστόσο, είμαστε βέβαιοι ότι η δουλειά μας θα ανοίξει το δρόμο για την αυτοματοποιημένη κατασκευή λειτουργικών υπερμοριακών δομών με τη βοήθεια ρομπότ, όπως μοριακά τρανζίστορ, κύτταρα μνήμης ή quibits — με ταχύτητα, ακρίβεια και αξιοπιστία πολύ μεγαλύτερη από αυτή που επί του παρόντος δυνατό».
