Sistema de Inteligencia Artificial Capaz de Mover Moléculas Individuales

Los científicos de Jülich y Berlín han desarrollado un sistema de inteligencia artificial que es capaz de aprender de manera autónoma cómo mover moléculas individuales mediante el uso de un microscopio de túnel de escaneo. Debido a que los átomos y las moléculas no actúan como objetos macroscópicos, cada uno de estos bloques de construcción necesita su propio sistema para moverse.

El nuevo método, que los científicos creen que puede ser utilizado para tecnologías de investigación y producción como la impresión 3D molecular, se publicó en Science Advances.

Impresión 3D

La prototipación rápida, más comúnmente conocida como impresión 3D, es extremadamente rentable cuando se trata de crear prototipos o modelos. Ha aumentado en importancia a lo largo de los años a medida que la tecnología ha mejorado constantemente, y ahora es una herramienta importante utilizada por la industria.

El Dr. Christian Wagner es el jefe del grupo de trabajo de la ERC sobre manipulación molecular en el Forschungszentrum Jülich.

“Si este concepto pudiera transferirse a la escala nanométrica para permitir que las moléculas individuales se ensamblen o se separen de nuevo como bloques de LEGO, las posibilidades serían casi ilimitadas, considerando que hay alrededor de 10^60 tipos concebibles de manipulación molecular en el Forschungszentrum Jülich”, dice Wagner.

“Recetas” Individuales

Uno de los principales desafíos es la “receta” individual necesaria para que el microscopio de túnel de escaneo mueva las moléculas individuales hacia adelante y hacia atrás. Estas son necesarias para que la punta del microscopio pueda organizar las moléculas espacialmente y de manera dirigida.

La llamada receta no puede ser calculada ni deducida por intuición, lo que se debe a la naturaleza compleja de la mecánica a escala nanométrica. La forma en que funciona el microscopio es mediante un cono rígido en la punta, al que las moléculas se adhieren ligeramente. Para que esas moléculas se muevan, se requieren patrones de movimiento complejos.

El Prof. Dr. Stefan Tautz es el jefe del Instituto de Nanociencia Cuántica en Jülich.

“Hasta ahora, este movimiento dirigido de moléculas solo ha sido posible a mano, a través de prueba y error. Pero con la ayuda de un sistema de control de software autónomo y autoaprendiz, hemos logrado por primera vez encontrar una solución para esta diversidad y variabilidad a escala nanométrica, y automatizar este proceso”, dice Tautz.

Aprendizaje de Refuerzo

Uno de los aspectos fundamentales de este desarrollo es el aprendizaje de refuerzo, que es un tipo de aprendizaje automático que implica que el algoritmo intenta repetidamente una tarea y aprende de cada intento.

El Prof. Dr. Klaus-Robert Müller es el jefe del Departamento de Aprendizaje Automático en la TU Berlín.

“No prescribimos una ruta de solución para el agente de software, sino que recompensamos el éxito y penalizamos el fracaso”, dice.

“En nuestro caso, el agente recibió la tarea de eliminar moléculas individuales de una capa en la que están retenidas por una red compleja de enlaces químicos. Para ser precisos, se trataba de moléculas de perilenos, como las utilizadas en tintes y diodos emisores de luz orgánicos”, agrega el Dr. Christian Wagner.

Hay un punto clave en el que la fuerza necesaria para mover las moléculas no puede exceder la resistencia del enlace donde el microscopio de túnel atrae la molécula.

“La punta del microscopio debe ejecutar un patrón de movimiento especial, que anteriormente teníamos que descubrir a mano, literalmente”, dice Wagner.

El aprendizaje de refuerzo se utiliza mientras el agente de software aprende qué movimientos funcionan, y continúa mejorando cada vez.

Sin embargo, la punta del microscopio de túnel de escaneo está compuesta por átomos de metal, que pueden desplazarse, y esto cambia la resistencia del enlace de la molécula.

“Cada nuevo intento aumenta el riesgo de un cambio y, por lo tanto, la ruptura del enlace entre la punta y la molécula. El agente de software está obligado a aprender particularmente rápido, ya que sus experiencias pueden volverse obsoletas en cualquier momento”, dice el Prof. Dr. Stefan Tautz. “Es un poco como si la red de carreteras, las leyes de tráfico, la carrocería y las reglas para operar los vehículos estuvieran cambiando constantemente mientras se conduce de manera autónoma”.

Para superar esto, los investigadores desarrollaron el software para que aprenda un modelo simple del entorno donde se produce la manipulación en paralelo con los ciclos iniciales. Para acelerar el proceso de aprendizaje, el agente se entrena simultáneamente en la realidad y en su propio modelo.

“Esta es la primera vez que hemos logrado combinar la inteligencia artificial y la nanotecnología”, dice Klaus-Robert Müller.

“Hasta ahora, esto solo ha sido una ‘prueba de principio’”, continúa Tautz. “Sin embargo, estamos seguros de que nuestro trabajo allanará el camino para la construcción automatizada asistida por robots de estructuras supramoleculares funcionales, como transistores moleculares, células de memoria o quibits — con una velocidad, precisión y confiabilidad muy superior a lo que es posible actualmente”.

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