Τεχνητή Νοημοσύνη Ικανή να Κινεί Ατομικά Μόρια

Επιστήμονες από το Jülich και το Βερολίνο έχουν αναπτύξει ένα σύστημα τεχνητής νοημοσύνης που είναι ικανό να μάθει αυτόνομα πώς να κινεί ατομικά μόρια με τη χρήση ενός σκαναρχικού μικροσκοπίου. Επειδή τα άτομα και τα μόρια δεν συμπεριφέρονται σαν μακροσκοπικά αντικείμενα, κάθε ένα από αυτά τα δομικά στοιχεία χρειάζεται το δικό του σύστημα για να κινηθεί.

Η νέα μέθοδος, την οποία οι επιστήμονες πιστεύουν ότι μπορεί να χρησιμοποιηθεί για έρευνα και τεχνολογίες παραγωγής όπως η τρισδιάστατη εκτύπωση μορίων, δημοσιεύθηκε στο Science Advances.

Τρισδιάστατη Εκτύπωση

Η ταχεία δημιουργία προτύπων, πιο γνωστή ως τρισδιάστατη εκτύπωση, είναι εξαιρετικά οικονομική όταν πρόκειται για τη δημιουργία προτύπων ή μοντέλων. Έχει αυξανθεί σε σημασία τα τελευταία χρόνια, καθώς η τεχνολογία έχει συνεχώς βελτιωθεί, και τώρα είναι ένα основικό εργαλείο που χρησιμοποιείται από τη βιομηχανία.

Ο Δρ. Χριστιανός Βάγκνερ είναι επικεφαλής της εργασιακής ομάδας ERC για τη χειραγώγηση μορίων στο Forschungszentrum Jülich.

“Εάν αυτή η концепция μπορούσε να μεταφερθεί στη νανοκλίμακα για να επιτρέψει στα ατομικά μόρια να συνδυαστούν ή να分離θούν ξανά όπως τα κομμάτια του LEGO, οι δυνατότητες θα ήταν σχεδόν απεριόριστες, δεδομένου ότι υπάρχουν περίπου 10^60 εφικτά είδη χειραγώγησης μορίων στο Forschungszentrum Jülich,” λέει ο Βάγκνερ.

Ατομικές “Συνταγές”

Μια από τις κύριες προκλήσεις είναι οι ατομικές “συνταγές” που χρειάζονται για να κινηθούν τα ατομικά μόρια μπρος-πίσω. Αυτές χρειάζονται για να διατάξει η άκρη του μικροσκοπίου τα μόρια χωρικά και με στόχο.

Η så-called συνταγή δεν μπορεί να υπολογιστεί ή να εξαχθεί από την έμφυτη γνώση, λόγω της σύνθετης φύσης της μηχανικής στη νανοκλίμακα. Ο τρόπος με τον οποίο λειτουργεί το μικροσκόπιο είναι να έχει μια σκληρή κωνοειδή άκρη, η οποία τα μόρια κολλάνε ελαφρά. Για να κινηθούν αυτά τα μόρια, απαιτούνται σύνθετοι μοτίβοι κίνησης.

Ο Καθ. Δρ. Στέφαν Τάουτζ είναι επικεφαλής του Ινστιτούτου Κβαντικής Νανοεπιστήμης στο Jülich.

“Μέχρι τώρα, αυτή η στόχευση κίνησης μορίων ήταν δυνατή μόνο με το χέρι, μέσω δοκιμής και λάθους. Αλλά με τη βοήθεια ενός αυτομάτου, αυτόνομου συστήματος ελέγχου λογισμικού, έχουμε τώρα επιτύχει για πρώτη φορά να βρούμε μια λύση για αυτή τη διαφοροποίηση και μεταβλητότητα στη νανοκλίμακα και να αυτοματοποιήσουμε αυτή τη διαδικασία,” λέει ο Τάουτζ.

Ενίσχυση Μάθησης

Ένα από τα θεμελιώδη στοιχεία αυτής της ανάπτυξης είναι η ενίσχυση μάθησης, η οποία είναι ένας τύπος μηχανικής μάθησης που περιλαμβάνει τον αλγόριθμο να επαναλαμβάνει μια εργασία και να μαθαίνει από κάθε απόπειρα.

Ο Καθ. Δρ. Κλάους-Ρόμπερτ Μύλερ είναι επικεφαλής του Τμήματος Μηχανικής Μάθησης στο TU Berlin.

“Δεν προδιαγράφουμε einen λύση οδού για το λογισμικό agent, αλλά ανταμείβουμε την επιτυχία και τιμωρούμε την αποτυχία,” λέει.

“Στην περίπτωσή μας, ο agent έλαβε την εργασία να αφαιρέσει ατομικά μόρια από ένα στρώμα στο οποίο κρατούνται από ένα σύνθετο δίκτυο χημικών δεσμών. Για να είμαστε ακριβείς, αυτά ήταν μόρια perylene, όπως αυτά που χρησιμοποιούνται σε βαφές και οργανικές διαλυτές διόδους,” προσθέτει ο Δρ. Χριστιανός Βάγκνερ.

Υπάρχει ένα κρίσιμο σημείο στο οποίο η δύναμη που απαιτείται για να κινηθούν τα μόρια δεν μπορεί να υπερβεί τη δύναμη του δεσμού όπου το μικροσκόπιο ελκύει το μόριο.

“Η άκρη του μικροσκοπίου πρέπει λοιπόν να εκτελέσει ένα đặc biệt μοτίβο κίνησης, το οποίο προηγουμένως είχαμε να ανακαλύψουμε με το χέρι, κυριολεκτικά,” λέει ο Βάγκνερ.

Η ενίσχυση μάθησης χρησιμοποιείται ενώ το λογισμικό agent μαθαίνει ποιες κινήσεις λειτουργούν και συνεχίζει να βελτιώνεται κάθε φορά.

Ωστόσο, η άκρη του σκαναρχικού μικροσκοπίου αποτελείται από μεταλλικά άτομα, τα οποία μπορούν να μετατοπιστούν, και αυτό αλλάζει τη δύναμη του δεσμού του μορίου.

“Κάθε νέα απόπειρα κάνει τον κίνδυνο μιας αλλαγής και έτσι τη διάρρηξη του δεσμού μεταξύ άκρης και μορίου μεγαλύτερο. Το λογισμικό agent είναι επομένως αναγκασμένο να μάθει ιδιαίτερα γρήγορα,既然 οι εμπειρίες του possono να γίνουν ξεπερασμένες σε οποιοδήποτε χρόνο,” λέει ο Καθ. Δρ. Στέφαν Τάουτζ. “Είναι λίγο σαν να οδηγείς αυτόνομα ενώ το δίκτυο οδών, οι κανόνες κυκλοφορίας, το σώμα και οι κανόνες λειτουργίας των οχημάτων αλλάζουν συνεχώς.”

Για να ξεπεραστούν αυτά, οι ερευνητές ανέπτυξαν το λογισμικό ώστε να μαθαίνει ένα απλό μοντέλο του περιβάλλοντος όπου συμβαίνει η χειραγώγηση παράλληλα με τους αρχικούς κύκλους. Για να επιταχύνουν τη διαδικασία μάθησης, ο agent εκπαιδεύεται ταυτόχρονα στην πραγματικότητα και στο δικό του μοντέλο.

“Αυτή είναι η πρώτη φορά που έχουμε καταφέρει να συνδυάσουμε την τεχνητή νοημοσύνη και τη νανοτεχνολογία,” λέει ο Κλάους-Ρόμπερτ Μύλερ.

“Μέχρι τώρα, αυτό ήταν μόνο ένα ‘proof of principle,’” συνεχίζει ο Τάουτζ. “Ωστόσο, είμαστε βέβαιοι ότι η δουλειά μας θα ανοίξει τον δρόμο για την ρομποτική, αυτοματοποιημένη κατασκευή λειτουργικών υπερμοριακών δομών, όπως μοριακές διατάξεις, κελιά μνήμης ή quibits — με μια ταχύτητα, ακρίβεια και αξιοπιστία που υπερβαίνει κατά πολύ αυτά που είναι τώρα δυνατά.”

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