Sistem Kecerdasan Buatan yang Dapat Memindahkan Molekul Individu

Ilmuwan dari Jülich dan Berlin telah mengembangkan sistem kecerdasan buatan yang dapat belajar secara otonom untuk memindahkan molekul individu dengan menggunakan mikroskop terowongan pemindaian. Karena atom dan molekul tidak bertindak seperti objek makroskopik, setiap satu dari blok bangunan ini memerlukan sistemnya sendiri untuk memindahkan.

Metode baru, yang ilmuwan percaya dapat digunakan untuk teknologi penelitian dan produksi seperti pencetakan 3D molekul, dipublikasikan di Science Advances.

Pencetakan 3D

Pembuatan prototipe cepat, yang lebih dikenal sebagai pencetakan 3D, sangat efektif biaya ketika membuat prototipe atau model. Ini telah meningkat dalam pentingnya selama bertahun-tahun karena teknologi terus-menerus ditingkatkan, dan sekarang menjadi alat utama yang digunakan oleh industri.

Dr. Christian Wagner adalah kepala kelompok kerja ERC tentang manipulasi molekul di Forschungszentrum Jülich.

“Jika konsep ini dapat dipindahkan ke skala nanoscale untuk memungkinkan molekul individu disusun atau dipisahkan kembali seperti LEGO, kemungkinannya hampir tak terbatas, mengingat ada sekitar 1060 jenis manipulasi molekul yang dapat dilakukan di Forschungszentrum Jülich,” kata Wagner.

Resep Individu

Salah satu tantangan utama adalah “resep” individu yang diperlukan agar mikroskop terowongan pemindaian dapat memindahkan molekul individu bolak-balik. Ini diperlukan agar ujung mikroskop dapat mengatur molekul secara spasial dan terarah.

“Resep” yang disebut tidak dapat dihitung atau disimpulkan dengan intuisi, karena sifat mekanik yang kompleks pada skala nanoscale. Cara kerja mikroskop adalah dengan memiliki kerucut kaku di ujung, yang molekul melekat ringan. Agar molekul tersebut dapat bergerak, pola gerakan yang kompleks diperlukan.

Prof. Dr. Stefan Tautz adalah kepala Institut Sains Nanoscale Kuantum di Jülich.

“Sampai sekarang, pergerakan molekul yang ditargetkan hanya dapat dilakukan dengan tangan, melalui trial dan error. Tapi dengan bantuan perangkat lunak kontrol otonom yang self-learning, kita telah berhasil untuk pertama kalinya menemukan solusi untuk keragaman dan variabilitas pada skala nanoscale, dan mengotomatisasi proses ini,” kata Tautz.

Pembelajaran Penguatan

Salah satu aspek fundamental dari pengembangan ini adalah pembelajaran penguatan, yang merupakan jenis pembelajaran mesin yang melibatkan algoritma berulang kali mencoba tugas dan belajar dari setiap upaya.

Prof. Dr. Klaus-Robert Müller adalah kepala departemen Pembelajaran Mesin di TU Berlin.

“Kita tidak menentukan jalur solusi untuk perangkat lunak agen, tetapi kita memberikan reward untuk kesuksesan dan penalty untuk kegagalan,” katanya.

“Dalam kasus kita, agen diberi tugas untuk menghapus molekul individu dari lapisan di mana mereka dipegang oleh jaringan ikatan kimia yang kompleks. Tepatnya, ini adalah molekul perylene, seperti yang digunakan dalam pewarna dan dioda cahaya organik,” tambah Dr. Christian Wagner.

Ada titik kunci di mana gaya yang diperlukan untuk memindahkan molekul tidak dapat melebihi kekuatan ikatan di mana mikroskop terowongan menarik molekul.

“Ujung mikroskop harus menjalankan pola gerakan khusus, yang sebelumnya kita temukan dengan tangan, secara harfiah,” kata Wagner.

Pembelajaran penguatan digunakan saat perangkat lunak agen belajar gerakan mana yang berhasil, dan terus memperbaiki setiap kali.

Namun, ujung mikroskop terowongan pemindaian terdiri dari atom logam, yang dapat bergeser, dan ini mengubah kekuatan ikatan molekul.

“Setiap upaya baru membuat risiko perubahan dan sehingga patahnya ikatan antara ujung dan molekul lebih besar. Perangkat lunak agen dipaksa untuk belajar sangat cepat, karena pengalaman dapat menjadi usang kapan saja,” kata Prof. Dr. Stefan Tautz. “Ini sedikit seperti jaringan jalan, hukum lalu lintas, bodi, dan aturan untuk mengoperasikan kendaraan yang terus-menerus berubah saat mengemudi otonom.”

Untuk melewati ini, peneliti mengembangkan perangkat lunak sehingga dapat belajar model lingkungan yang sederhana di mana manipulasi terjadi secara paralel dengan siklus awal. Untuk mempercepat proses pembelajaran, agen secara bersamaan dilatih dalam kenyataan dan dalam modelnya sendiri.

“Ini pertama kalinya kita berhasil menggabungkan kecerdasan buatan dan nanoteknologi,” kata Klaus-Robert Müller.

“Sampai sekarang, ini hanya ‘bukti prinsip,’” lanjut Tautz. “Namun, kita yakin bahwa pekerjaan kita akan membuka jalan bagi konstruksi otomatis yang dibantu robot dari struktur supramolekul fungsional, seperti transistor molekul, sel memori, atau quibit — dengan kecepatan, presisi, dan keandalan yang jauh melebihi apa yang saat ini memungkinkan.”

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