Système d’intelligence artificielle capable de déplacer des molécules individuelles

Les scientifiques de Jülich et de Berlin ont développé un système d’intelligence artificielle capable d’apprendre de manière autonome à déplacer des molécules individuelles à l’aide d’un microscope à effet tunnel. Puisque les atomes et les molécules ne se comportent pas comme des objets macroscopiques, chacun de ces éléments de base nécessite son propre système pour les déplacer. 

La nouvelle méthode, que les scientifiques pensent pouvoir être utilisée pour la recherche et les technologies de production comme l’impression 3D moléculaire, a été publiée dans Science Advances. 

Impression 3D

La prototypage rapide, plus connu sous le nom d’impression 3D, est extrêmement rentable lorsqu’il s’agit de créer des prototypes ou des modèles. Il a gagné en importance au fil des ans à mesure que la technologie s’améliorait, et il est maintenant un outil majeur utilisé par l’industrie.

Le Dr Christian Wagner est le chef du groupe de travail ERC sur la manipulation moléculaire au Forschungszentrum Jülich. 

« Si ce concept pouvait être transféré à l’échelle nanométrique pour permettre aux molécules individuelles d’être assemblées ou séparées de manière spécifique, comme des briques LEGO, les possibilités seraient quasi infinies, étant donné qu’il existe environ 10^60 types de manipulation moléculaire concevables au Forschungszentrum Jülich », déclare Wagner.

Recettes individuelles

L’un des principaux défis est la « recette » individuelle nécessaire pour que le microscope à effet tunnel déplace les molécules individuelles d’avant en arrière. Celles-ci sont nécessaires pour que la pointe du microscope puisse arranger les molécules de manière spatiale et ciblée.

La så-called recette ne peut pas être calculée ou déduite par intuition, ce qui est dû à la nature complexe de la mécanique à l’échelle nanométrique. Le fonctionnement du microscope consiste à avoir un cône rigide à la pointe, auquel les molécules adhèrent légèrement. Pour que ces molécules puissent se déplacer, des modèles de mouvement complexes sont nécessaires. 

Le prof. Dr. Stefan Tautz est le chef de l’Institut de nanoscience quantique à Jülich.

« À ce jour, un tel mouvement ciblé de molécules n’a été possible que manuellement, par essais et erreurs. Mais avec l’aide d’un système de contrôle logiciel autonome et auto-apprenant, nous avons maintenant réussi pour la première fois à trouver une solution pour cette diversité et cette variabilité à l’échelle nanométrique, et à automatiser ce processus », déclare Tautz. 

Apprentissage par renforcement

L’un des aspects fondamentaux de ce développement est l’apprentissage par renforcement, qui est un type d’apprentissage automatique qui consiste à répéter une tâche et à apprendre de chaque tentative. 

Le prof. Dr. Klaus-Robert Müller est le chef du département d’apprentissage automatique à la TU Berlin.

« Nous ne prescrivons pas un chemin de solution pour l’agent logiciel, mais récompensons le succès et pénalisons l’échec », déclare-t-il.

« Dans notre cas, l’agent a reçu la tâche de supprimer des molécules individuelles d’une couche dans laquelle elles sont retenues par un réseau complexe de liaisons chimiques. Pour être précis, il s’agissait de molécules de pérylène, telles que celles utilisées dans les colorants et les diodes électroluminescentes organiques », ajoute le Dr Christian Wagner. 

Il y a un point clé où la force requise pour déplacer les molécules ne peut pas dépasser la force de la liaison où le microscope à effet tunnel attire la molécule.

« La pointe du microscope doit donc exécuter un modèle de mouvement spécial, que nous devions précédemment découvrir à la main, littéralement », déclare Wagner. 

L’apprentissage par renforcement est utilisé pendant que l’agent logiciel apprend quelles sont les mouvements qui fonctionnent, et il continue à s’améliorer à chaque fois.

Cependant, la pointe du microscope à effet tunnel est composée d’atomes de métal, qui peuvent se déplacer, et cela modifie la force de la liaison de la molécule.

« Chaque nouvelle tentative augmente le risque d’un changement et donc de la rupture de la liaison entre la pointe et la molécule. L’agent logiciel est donc forcé d’apprendre particulièrement rapidement, puisque ses expériences peuvent devenir obsolètes à tout moment », déclare le prof. Dr. Stefan Tautz. « C’est un peu comme si le réseau routier, les lois de la circulation, la carrosserie et les règles pour exploiter les véhicules changeaient constamment pendant la conduite autonome. » 

Pour contourner cela, les chercheurs ont développé le logiciel de telle sorte qu’il apprend un modèle simple de l’environnement où la manipulation se produit en parallèle avec les premiers cycles. Pour accélérer le processus d’apprentissage, l’agent s’entraîne simultanément dans la réalité et dans son propre modèle.

« C’est la première fois que nous réussissons à combiner l’intelligence artificielle et la nanotechnologie », déclare Klaus-Robert Müller. 

« Jusqu’à présent, ce n’était qu’une « preuve de principe » », poursuit Tautz. « Cependant, nous sommes confiants que notre travail ouvrira la voie à la construction robotisée automatisée de structures supramoléculaires fonctionnelles, telles que des transistors moléculaires, des cellules de mémoire ou des quibits — avec une vitesse, une précision et une fiabilité bien supérieures à celles qui sont actuellement possibles. » 

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