Արհեստական բանականություն
Արհեստական ինտելեկտի համակարգ, որը կարող է տեղափոխել առանձին մոլեկուլներ
Յուլիխի և Բեռլինի գիտնականները մշակել են արհեստական ինտելեկտի համակարգ, որն ունակ է ինքնուրույն սովորել, թե ինչպես շարժել առանձին մոլեկուլներ՝ սկանավորող թունելային մանրադիտակի միջոցով: Քանի որ ատոմներն ու մոլեկուլները չեն գործում մակրոսկոպիկ առարկաների պես, այս շինարարական բլոկներից յուրաքանչյուրին անհրաժեշտ է շարժվելու համար իր սեփական համակարգը:
Նոր մեթոդը, որը գիտնականների կարծիքով կարող է օգտագործվել հետազոտական և արտադրական տեխնոլոգիաների համար, ինչպիսիք են մոլեկուլային 3D տպագրությունը, հրապարակվել է Գիտություն Առաջընթաց.
3D Տպագրություն
Արագ նախատիպավորումը, որն ավելի հայտնի է որպես 3D տպագրություն, չափազանց ծախսարդյունավետ է, երբ խոսքը վերաբերում է նախատիպերի կամ մոդելների ստեղծմանը: Տարիների ընթացքում այն մեծանում է իր կարևորության վրա, քանի որ տեխնոլոգիան անընդհատ բարելավվում է, և այն այժմ հանդիսանում է արդյունաբերության կողմից օգտագործվող հիմնական գործիքը:
Դոկտոր Քրիստիան Վագները Forschungszentrum Jülich-ում մոլեկուլային մանիպուլյացիայի հարցերով ERC աշխատանքային խմբի ղեկավարն է:
«Եթե այս հայեցակարգը տեղափոխվի նանոմաշտաբ՝ թույլ տալու առանձին մոլեկուլներին հատուկ հավաքել կամ առանձնացնել, ինչպես LEGO աղյուսները, ապա հնարավորությունները գրեթե անվերջ կլինեն՝ հաշվի առնելով, որ Forschungszentrum Jülich-ում մոլեկուլային մանիպուլյացիայի շուրջ 1060 հնարավոր տեսակ կա»: Վագներն ասում է.
Անհատական «բաղադրատոմսեր»
Հիմնական մարտահրավերներից մեկը անհատական «բաղադրատոմսերն» են, որոնք անհրաժեշտ են, որպեսզի սկանավորող թունելային մանրադիտակը առանձին մոլեկուլները տեղափոխի ետ ու առաջ: Դրանք անհրաժեշտ են, որպեսզի մանրադիտակի ծայրը կարողանա մոլեկուլները դասավորել տարածական և նպատակային կերպով:
Այսպես կոչված բաղադրատոմսը հնարավոր չէ հաշվարկել կամ եզրակացնել ինտուիցիայով, ինչը պայմանավորված է նանոմաշտաբի մեխանիկայի բարդ բնույթով: Մանրադիտակի գործելաոճը ծայրին կոշտ կոն ունենալն է, որին մոլեկուլները թեթև կպչում են: Որպեսզի այդ մոլեկուլները շարժվեն շուրջը, անհրաժեշտ են շարժման բարդ օրինաչափություններ:
Պրոֆեսոր դոկտոր Ստեֆան Տաուտցը Յուլիխի Քվանտային նանոգիտության ինստիտուտի ղեկավարն է:
«Մինչ օրս մոլեկուլների նման նպատակային տեղաշարժը հնարավոր է եղել միայն ձեռքով, փորձի և սխալի միջոցով: Բայց ինքնուսուցման, ինքնավար ծրագրային կառավարման համակարգի օգնությամբ մենք այժմ առաջին անգամ կարողացել ենք լուծում գտնել նանոմաշտաբով այս բազմազանության և փոփոխականության համար և ավտոմատացնել այս գործընթացը», - ասում է Թաուտցը:
Ամրապնդման ուսուցում
Այս զարգացման հիմնարար ասպեկտներից մեկը ամրապնդման ուսուցումն է, որը մեքենայական ուսուցման մի տեսակ է, որը ներառում է ալգորիթմի բազմիցս առաջադրանքը և յուրաքանչյուր փորձից սովորելը:
Պրոֆեսոր դոկտոր Կլաուս-Ռոբերտ Մյուլլերը TU Berlin-ի մեքենայական ուսուցման բաժնի ղեկավարն է:
«Մենք ծրագրային ապահովման գործակալի համար լուծում չենք նախատեսում, այլ ավելի շուտ պարգևատրում ենք հաջողությունը և պատժում ձախողումը», - ասում է նա:
«Մեր դեպքում գործակալին հանձնարարվել է առանձին մոլեկուլներ հեռացնել շերտից, որտեղ դրանք պահվում են քիմիական կապերի բարդ ցանցով: Ճիշտն ասած, դրանք պերիլենային մոլեկուլներ էին, ինչպիսիք են ներկանյութերի և օրգանական լուսարձակող դիոդների մեջ օգտագործվողները»,- ավելացնում է բժիշկ Քրիստիան Վագները:
Կա մի առանցքային կետ, որտեղ մոլեկուլները տեղափոխելու համար անհրաժեշտ ուժը չի կարող գերազանցել կապի ուժը, որտեղ թունելային մանրադիտակը ձգում է մոլեկուլը:
«Հետևաբար, մանրադիտակի ծայրը պետք է կատարի շարժման հատուկ օրինաչափություն, որը մենք նախկինում պետք է հայտնաբերեինք ձեռքով, բառացիորեն», - ասում է Վագները:
Ամրապնդման ուսուցումն օգտագործվում է մինչ ծրագրային ապահովման գործակալը սովորում է, թե որ շարժումներն են աշխատում, և այն շարունակում է կատարելագործվել ամեն անգամ:
Այնուամենայնիվ, սկանավորող թունելային մանրադիտակի ծայրը բաղկացած է մետաղի ատոմներից, որոնք կարող են տեղաշարժվել, և դա փոխում է մոլեկուլի կապի ուժը:
«Յուրաքանչյուր նոր փորձ մեծացնում է փոփոխությունների ռիսկը և, հետևաբար, ծայրի և մոլեկուլի միջև կապի խզումը: Հետևաբար, ծրագրային ապահովման գործակալը ստիպված է սովորել հատկապես արագ, քանի որ նրա փորձը ցանկացած պահի կարող է հնանալ», - ասում է պրոֆ. դոկտոր Ստեֆան Տաուտցը: «Կարծես թե ճանապարհային ցանցը, ճանապարհային երթևեկության կանոնները, թափքի կառուցվածքը և տրանսպորտային միջոցների շահագործման կանոնները անընդհատ փոխվում են ինքնավար վարելիս»:
Սա հաղթահարելու համար հետազոտողները մշակել են ծրագրաշարը, որպեսզի այն սովորի միջավայրի պարզ մոդել, որտեղ մանիպուլյացիաները տեղի են ունենում սկզբնական ցիկլերին զուգահեռ: Ուսուցման գործընթացն արագացնելու համար գործակալը միաժամանակ մարզվում է իրականում և իր մոդելով:
«Սա առաջին անգամն է, երբ մեզ հաջողվել է միավորել արհեստական ինտելեկտը և նանոտեխնոլոգիան», - ասում է Կլաուս-Ռոբերտ Մյուլերը:
«Մինչ այժմ սա միայն «սկզբունքի ապացույց» էր», - շարունակում է Թաուցը: «Այնուամենայնիվ, մենք վստահ ենք, որ մեր աշխատանքը ճանապարհ կհարթի ռոբոտների օգնությամբ ավտոմատացված ֆունկցիոնալ գերմոլեկուլային կառույցների կառուցման համար, ինչպիսիք են մոլեկուլային տրանզիստորները, հիշողության բջիջները կամ քվիբիտները՝ արագությամբ, ճշգրտությամբ և հուսալիությամբ, որը շատ ավելին է, քան կա: ներկայումս հնարավոր է»։
