ხელოვნური ინტელექტის სისტემა, რომელსაც შეუძლია ინდივიდუალური მოლეკულების გადაადგილება

იულიხისა და ბერლინის მეცნიერებმა შეიმუშავეს ხელოვნური ინტელექტის სისტემა, რომელსაც შეუძლია დამოუკიდებლად ისწავლოს ცალკეული მოლეკულების გადაადგილება სკანირების გვირაბის მიკროსკოპის გამოყენებით. იმის გამო, რომ ატომები და მოლეკულები არ მოქმედებენ როგორც მაკროსკოპული ობიექტები, თითოეულ ამ სამშენებლო ბლოკს სჭირდება საკუთარი სისტემა გადაადგილებისთვის. 

ახალი მეთოდი, რომელიც მეცნიერთა აზრით, შეიძლება გამოყენებულ იქნას კვლევისა და წარმოების ტექნოლოგიებისთვის, როგორიცაა მოლეკულური 3D ბეჭდვა, გამოქვეყნდა მეცნიერება ავანსები. 

3D ბეჭდვა

სწრაფი პროტოტიპის შექმნა, რომელიც უფრო ხშირად ცნობილია როგორც 3D ბეჭდვა, ძალიან ეკონომიურია, როდესაც საქმე ეხება პროტოტიპების ან მოდელების შექმნას. მისი მნიშვნელობა წლების განმავლობაში იზრდებოდა, რადგან ტექნოლოგია მუდმივად იხვეწებოდა და ახლა ის არის მთავარი ინსტრუმენტი, რომელსაც იყენებს ინდუსტრია.

დოქტორი კრისტიან ვაგნერი არის Forschungszentrum Jülich-ში მოლეკულური მანიპულაციის ERC სამუშაო ჯგუფის ხელმძღვანელი. 

„თუ ეს კონცეფცია შეიძლება გადავიდეს ნანომასშტაბში, რათა ცალკეული მოლეკულები კონკრეტულად შეიკრიბონ ან განცალკევდნენ, ისევე როგორც LEGO აგურის მსგავსად, შესაძლებლობები თითქმის გაუთავებელი იქნება, იმის გათვალისწინებით, რომ Forschungszentrum Jülich-ში მოლეკულური მანიპულაციის დაახლოებით 1060 წარმოუდგენელი ტიპია. ამბობს ვაგნერი.

ინდივიდუალური "რეცეპტები"

ერთ-ერთი მთავარი გამოწვევაა ინდივიდუალური „რეცეპტები“, რომლებიც საჭიროა იმისათვის, რომ სკანირების გვირაბის მიკროსკოპმა ცალკეული მოლეკულები გადაიტანოს წინ და უკან. ეს საჭიროა იმისათვის, რომ მიკროსკოპის წვერმა შეძლოს მოლეკულების სივრცით და მიზანმიმართულად მოწყობა.

ეგრეთ წოდებული რეცეპტი არ შეიძლება გამოითვალოს ან გამოიტანოს ინტუიციით, რაც განპირობებულია ნანო მასშტაბის მექანიკის რთული ბუნებით. მიკროსკოპის მუშაობის წესი არის წვერზე ხისტი კონუსი, რომელსაც მოლეკულები მსუბუქად ეკვრება. იმისათვის, რომ ამ მოლეკულებმა გადაადგილდნენ, საჭიროა რთული მოძრაობის ნიმუშები. 

პროფესორი სტეფან ტაუცი არის იულიხის კვანტური ნანომეცნიერების ინსტიტუტის ხელმძღვანელი.

”დღემდე, მოლეკულების ასეთი მიზანმიმართული მოძრაობა მხოლოდ ხელით იყო შესაძლებელი, საცდელი და შეცდომის გზით. მაგრამ თვითმმართველობის სწავლის, ავტონომიური პროგრამული კონტროლის სისტემის დახმარებით, ჩვენ ახლა პირველად მივაღწიეთ წარმატებას ამ მრავალფეროვნებისა და ცვალებადობისთვის ნანომასშტაბიანი გადაწყვეტის პოვნაში და ამ პროცესის ავტომატიზირებაში“, - ამბობს ტაუცი. 

გამაგრების სწავლა

ამ განვითარების ერთ-ერთი ფუნდამენტური ასპექტია განმამტკიცებელი სწავლა, რომელიც არის მანქანური სწავლის ტიპი, რომელიც მოიცავს ალგორითმის განმეორებით მცდელობას დავალების და თითოეული მცდელობიდან სწავლას. 

პროფესორი კლაუს-რობერტ მიულერი არის TU Berlin-ის მანქანათმცოდნეობის განყოფილების ხელმძღვანელი.

„ჩვენ არ ვუნიშნავთ გადაწყვეტის გზას პროგრამული აგენტისთვის, არამედ ვაჯილდოებთ წარმატებას და ვაჯარიმებთ წარუმატებლობას“, - ამბობს ის.

„ჩვენს შემთხვევაში, აგენტს დაევალა ცალკეული მოლეკულების ამოღება ფენიდან, რომელშიც ისინი ქიმიური ობლიგაციების კომპლექსური ქსელით არის დაცული. უფრო ზუსტად, ეს იყო პერილენის მოლეკულები, როგორიცაა საღებავებისა და ორგანული სინათლის დიოდების გამოყენება“, - დასძენს დოქტორი კრისტიან ვაგნერი. 

არსებობს საკვანძო წერტილი, როდესაც მოლეკულების გადაადგილებისთვის საჭირო ძალა არ შეიძლება აღემატებოდეს კავშირის სიძლიერეს, სადაც გვირაბის მიკროსკოპი იზიდავს მოლეკულას.

„მაშასადამე, მიკროსკოპის წვერმა უნდა შეასრულოს მოძრაობის სპეციალური ნიმუში, რომელიც ადრე ხელით უნდა აღმოგვეჩინა, სიტყვასიტყვით“, ამბობს ვაგნერი. 

განმტკიცების სწავლა გამოიყენება მაშინ, როდესაც პროგრამული აგენტი სწავლობს რომელი მოძრაობები მუშაობს და ის აგრძელებს გაუმჯობესებას ყოველ ჯერზე.

თუმცა, სკანირების გვირაბის მიკროსკოპის წვერი შედგება ლითონის ატომებისგან, რომლებსაც შეუძლიათ გადაადგილება და ეს ცვლის მოლეკულის კავშირის სიძლიერეს.

„ყოველი ახალი მცდელობა ზრდის ცვლილების რისკს და, შესაბამისად, წვერსა და მოლეკულას შორის კავშირის გაწყვეტას. ამიტომ პროგრამული აგენტი იძულებულია ისწავლოს განსაკუთრებით სწრაფად, რადგან მისი გამოცდილება ნებისმიერ დროს შეიძლება მოძველდეს“, - ამბობს პროფესორი სტეფან ტაუცი. „თითქოს საგზაო ქსელი, საგზაო მოძრაობის კანონები, კარკასი და მანქანების მართვის წესები მუდმივად იცვლება ავტონომიური მართვისას“. 

ამის გადალახვის მიზნით, მკვლევარებმა შეიმუშავეს პროგრამული უზრუნველყოფა ისე, რომ მან ისწავლოს გარემოს მარტივი მოდელი, სადაც მანიპულირება ხდება საწყისი ციკლების პარალელურად. სწავლის პროცესის დაჩქარების მიზნით, აგენტი ერთდროულად ვარჯიშობს რეალობაში და საკუთარ მოდელში.

„ეს არის პირველი შემთხვევა, როდესაც ჩვენ შევძელით ხელოვნური ინტელექტისა და ნანოტექნოლოგიის გაერთიანება“, - ამბობს კლაუს-რობერტ მიულერი. 

„აქამდე ეს მხოლოდ „პრინციპის მტკიცებულება“ იყო“, განაგრძობს ტაუცი. თუმცა, ჩვენ დარწმუნებულნი ვართ, რომ ჩვენი მუშაობა გზას გაუხსნის ფუნქციური სუპრამოლეკულური სტრუქტურების, როგორიცაა მოლეკულური ტრანზისტორები, მეხსიერების უჯრედები ან კვიბიტები რობოტების დახმარებით ავტომატიზირებულ კონსტრუქციას - სიჩქარით, სიზუსტით და საიმედოობით, რაც აღემატება. ამჟამად შესაძლებელია. ”