Sistema di Intelligenza Artificiale in Grado di Muovere Molecole Individuali

Scienziati di Jülich e Berlino hanno sviluppato un sistema di intelligenza artificiale in grado di apprendere autonomamente come muovere molecole individuali attraverso l’utilizzo di un microscopio a scansione tunnel. Poiché gli atomi e le molecole non si comportano come oggetti macroscopici, ciascuno di questi mattoni fondamentali necessita di un proprio sistema per il movimento.

Il nuovo metodo, che gli scienziati ritengono possa essere utilizzato per tecnologie di ricerca e produzione come la stampa 3D molecolare, è stato pubblicato in Science Advances.

Stampa 3D

La prototipazione rapida, più comunemente nota come stampa 3D, è estremamente economica quando si tratta di creare prototipi o modelli. Ha assunto un’importanza crescente negli anni in quanto la tecnologia ha costantemente migliorato, ed è ora uno strumento importante utilizzato dall’industria.

Il dottor Christian Wagner è a capo del gruppo di lavoro ERC sulla manipolazione molecolare presso il Forschungszentrum Jülich.

“Se questo concetto potesse essere trasferito alla scala nanometrica per consentire di assemblare o separare di nuovo molecole individuali in modo specifico, proprio come mattoni LEGO, le possibilità sarebbero quasi infinite, considerando che ci sono circa 1060 tipi concepibili di manipolazione molecolare presso il Forschungszentrum Jülich”, afferma Wagner.

“Ricette” Individuali

Una delle principali sfide sono le “ricette” individuali necessarie affinché il microscopio a scansione tunnel possa muovere molecole individuali avanti e indietro. Queste sono necessarie in modo che la punta del microscopio possa disporre le molecole spazialmente e in modo mirato.

La cosiddetta ricetta non può essere calcolata o dedotta dall’intuizione, a causa della natura complessa della meccanica alla scala nanometrica. Il funzionamento del microscopio consiste nell’avere una punta rigida, alla quale le molecole aderiscono leggermente. Affinché queste molecole si muovano, sono richiesti modelli di movimento complessi.

Il professor dottor Stefan Tautz è a capo dell’Istituto di nanoscienze quantistiche di Jülich.

“Finora, un tale movimento mirato di molecole è stato possibile solo manualmente, attraverso prove ed errori. Ma con l’aiuto di un sistema di controllo software autonomo e autoapprendente, abbiamo ora trovato per la prima volta una soluzione per questa diversità e variabilità alla scala nanometrica, e abbiamo automatizzato questo processo”, afferma Tautz.

Apprendimento per Rinforzo

Uno degli aspetti fondamentali di questo sviluppo è l’apprendimento per rinforzo, che è un tipo di apprendimento automatico che prevede l’algoritmo ripetutamente tenta un compito e impara da ogni tentativo.

Il professor dottor Klaus-Robert Müller è a capo del dipartimento di apprendimento automatico presso la TU Berlino.

“Non prescriviamo un percorso di soluzione per l’agente software, ma premiamo il successo e penalizziamo il fallimento”, afferma.

“Nel nostro caso, all’agente è stato assegnato il compito di rimuovere molecole individuali da uno strato in cui sono trattenute da una complessa rete di legami chimici. Per l’esattezza, si trattava di molecole di perilene, come quelle utilizzate nei coloranti e nei diodi organici a emissione di luce”, aggiunge il dottor Christian Wagner.

C’è un punto chiave in cui la forza necessaria per muovere le molecole non può superare la resistenza del legame dove il microscopio a scansione tunnel attrae la molecola.

“La punta del microscopio deve quindi eseguire un modello di movimento speciale, che in precedenza dovevamo scoprire manualmente, letteralmente”, afferma Wagner.

L’apprendimento per rinforzo viene utilizzato mentre l’agente software impara quali movimenti funzionano e continua a migliorare ogni volta.

Tuttavia, la punta del microscopio a scansione tunnel è costituita da atomi di metallo, che possono spostarsi, e ciò cambia la resistenza del legame della molecola.

“Ogni nuovo tentativo aumenta il rischio di un cambiamento e quindi della rottura del legame tra la punta e la molecola. L’agente software è quindi costretto a imparare particolarmente in fretta, poiché le sue esperienze possono diventare obsolete in qualsiasi momento”, afferma il professor dottor Stefan Tautz. “È un po’ come se la rete stradale, le leggi del traffico, la carrozzeria e le regole per l’operazione dei veicoli cambino costantemente mentre si guida in modo autonomo”.

Per superare questo, i ricercatori hanno sviluppato il software in modo che impari un modello semplice dell’ambiente in cui si verifica la manipolazione in parallelo con i primi cicli. Per accelerare il processo di apprendimento, l’agente si allena contemporaneamente nella realtà e nel proprio modello.

“Questa è la prima volta che siamo riusciti a combinare l’intelligenza artificiale e la nanotecnologia”, afferma Klaus-Robert Müller.

“Finora, questo è stato solo un ‘proof of principle’”, continua Tautz. “Tuttavia, siamo fiduciosi che il nostro lavoro aprirà la strada alla costruzione robotica automatizzata di strutture supramolecolari funzionali, come transistor molecolari, celle di memoria o qubit — con una velocità, precisione e affidabilità ben al di là di quanto attualmente possibile”.

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