Tekoälyjärjestelmä pystyy siirtämään yksittäisiä molekyylejä

Jülichin ja Berliinin tutkijat ovat kehittäneet tekoälyjärjestelmän, joka pystyy oppimaan itsenäisesti, miten siirtää yksittäisiä molekyylejä käyttäen tunnelimikroskooppia. Koska atomit ja molekyylit eivät käyttäydy kuin makroskooppiset objektit, kullekin näistä rakennuslohkoista tarvitaan oma järjestelmänsä liikuttamiseen.

Tutkijat uskovat, että uusi menetelmä voidaan käyttää tutkimus- ja tuotantoteknologioissa, kuten molekyylipainatussa, ja se on julkaistu Science Advances -julkaisussa.

3D-painatus

Nopea prototyyppien valmistus, jota yleisemmin kutsutaan 3D-painatuksella, on erittäin kustannusvaikuttavaa, kun on kyse prototyyppien tai mallien luomisesta. Teknologia on parantunut jatkuvasti vuosien varrella, ja se on nykyään yksi teollisuuden tärkeimmistä työkaluista.

Tohtori Christian Wagner on ERC-työryhmän johtaja molekyylimanipulaatiosta Forschungszentrum Jülichissä.

“Jos tämä käsite voitaisiin siirtää nanomittakaavaan, jotta yksittäisiä molekyylejä voitaisiin koota tai erottaa toisistaan kuin Lego-palikoita, mahdollisuudet olisivat lähes rajattomat, koska Forschungszentrum Jülichissä on noin 10^60 mahdollista molekyylimanipulaatiota”, Wagner sanoo.

Yksittäiset “reseptit”

Yksi päähaasteista on yksittäiset “reseptit”, joita tarvitaan tunnelimikroskoopin siirtämiseen yksittäisiä molekyylejä edestakaisin. Nämä reseptit ovat tarpeen, jotta mikroskoopin kärki voi järjestää molekyylit tilaan ja tavoitteellisesti.

Niin kutsuttu resepti ei voida laskea tai johtaa intuitiosta, mikä johtuu nanomittakaavan mekaniikan monimutkaisuudesta. Mikroskooppi toimii siten, että sen kärjessä on jäykkä kartio, johon molekyylit tarttuvat heikosti. Jotta molekyylit voivat liikkua, tarvitaan monimutkaisia liikemalleja.

Professori Stefan Tautz on johtaja Quantum Nanoscience -instituutissa Jülichissä.

“Tähän asti on ollut mahdollista siirtää molekyylejä tavoitteellisesti vain käsin, koettaen ja virhellen. Mutta itseoppiavan, autonomisen ohjelmistojärjestelmän avulla olemme onnistuneet löytämään ratkaisun tämän monimuotoisuuden ja muuttuvuuden nanomittakaavassa ja automatisoimaan tämän prosessin”, Tautz sanoo.

Vahvistusoppiminen

Yksi tämän kehityksen perusasioista on vahvistusoppiminen, joka on koneoppimisen laji, jossa algoritmi toistaa tehtävän ja oppii jokaisesta yrityksestä.

Professori Klaus-Robert Müller on johtaja koneoppimisen osastolla TU Berliinnessä.

“Emme määritä ratkaisupolkua ohjelmistolle, vaan palkitsemme onnistumista ja rangaistamme epäonnistumista”, hän sanoo.

“Meidän tapauksessamme ohjelmistoagentille annettiin tehtäväksi poistaa yksittäisiä molekyylejä kerroksesta, jossa ne pidetään kiinni monimutkaisella kemiallisten sidosten verkostolla. Tarkalleen ottaen nämä olivat peryleenimolekyylejä, joita käytetään väreissä ja orgaanisissa valoa emittoivissa diodeissa”, tohtori Christian Wagner lisää.

On tärkeä kohta, jossa voima, joka tarvitaan molekyylien siirtämiseen, ei saa ylittää sidoksen voimaa, jossa tunnelimikroskooppi houkuttelee molekyylit.

“Mikroskoopin kärki on siis suorittanut erityisen liikemallin, jonka meidän aiemmin täytyi löytää käsin, kirjaimellisesti”, Wagner sanoo.

Vahvistusoppimista käytetään, kun ohjelmistojärjestelmä oppii, mitkä liikkeet toimivat, ja se parantaa joka kerta.

Kuitenkin tunnelimikroskoopin kärki koostuu metalliatomeista, jotka voivat siirtyä, ja tämä muuttaa molekyylille sidoksen voimaa.

“Jokainen uusi yritys lisää riskiä muutokselle ja siten sidoksen katkeamiselle mikroskoopin kärjen ja molekyylin välillä. Ohjelmistojärjestelmä on siis pakotettu oppimaan erityisen nopeasti, koska sen kokemukset voivat vanhentua milloin tahansa”, professori Stefan Tautz sanoo. “Se on hieman kuin tiieverkko, liikennesäännöt, auton runko ja säännöt ajoneuvon käytölle muuttuisivat jatkuvasti ajon aikana.”

Tutkijat kehittivät ohjelmistoa siten, että se oppii yksinkertaisen mallin ympäristöstä, jossa manipulaatio tapahtuu rinnakkain alkuvaiheiden kanssa. Jotta oppimisprosessia voitaisiin nopeuttaa, agentti koulutetaan samanaikaisesti todellisuudessa ja omassa mallissaan.

“Tämä on ensimmäinen kerta, kun olemme onnistuneet yhdistämään tekoälyn ja nanoteknologian”, Klaus-Robert Müller sanoo.

“Tähän asti tämä on ollut vain ‘periaate’, joka osoittaa, että tämä on mahdollista”, Tautz jatkaa. “Mutta olemme luottavaisia, että työmme availee tien robotin avustamalle automaattiselle rakentamiselle toiminnallisia supramolekyylirakenteita, kuten molekyylitransistoreja, muistisoluja tai kvantti-bittien — nopeudella, tarkkuudella ja luotettavuudella, jota ei voida saavuttaa nykyisillä menetelmillä.”

Tutkijat uskovat, että tämä kehitys voi johtaa uusiin sovelluksiin, kuten molekyylipohjaisiin laitteisiin ja materiaaleihin, ja se voi avata uusia mahdollisuuksia tieteen ja tekniikan kehittämisessä.

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