Kunstmatige Intelligentie Systeem Kan Individuele Moleculen Verplaatsen

Wetenschappers van Jülich en Berlijn hebben een kunstmatig intelligentie systeem ontwikkeld dat in staat is om autonoom te leren hoe individuele moleculen te verplaatsen met behulp van een scanning tunneling microscoop. Omdat atomen en moleculen niet als macroscopische objecten handelen, heeft elk van deze bouwstenen zijn eigen systeem nodig om te bewegen.

De nieuwe methode, die de wetenschappers denken dat kan worden gebruikt voor onderzoeks- en productietechnologieën zoals moleculaire 3D-printing, werd gepubliceerd in Science Advances.

3D Printing

Rapid prototyping, beter bekend als 3D-printing, is extreem kostenefficiënt bij het creëren van prototypes of modellen. Het is in de loop der jaren steeds belangrijker geworden naarmate de technologie constant verbeterd is, en het is nu een belangrijk instrument dat door de industrie wordt gebruikt.

Dr. Christian Wagner is hoofd van de ERC-werkgroep voor moleculaire manipulatie bij Forschungszentrum Jülich.

“Als dit concept naar de nanoschaal kan worden overgebracht om individuele moleculen specifiek samen te stellen of weer te scheiden, net als LEGO-steentjes, zouden de mogelijkheden bijna eindeloos zijn, gezien er ongeveer 10^60 denkbare typen moleculaire manipulatie zijn bij Forschungszentrum Jülich,” zegt Wagner.

Individuele “Recepten”

Een van de belangrijkste uitdagingen zijn de individuele “recepten” die nodig zijn om de scanning tunneling microscoop te laten bewegen van individuele moleculen heen en weer. Deze zijn nodig om de punt van de microscoop moleculen ruimtelijk en gericht te laten arrangeren.

Het zogenaamde recept kan niet worden berekend of afgeleid door intuïtie, vanwege de complexe aard van de mechanica op de nanoschaal. De manier waarop de microscoop werkt is door een starke kegel aan de punt, waaraan de moleculen lichtjes kleven. Om deze moleculen te laten bewegen, zijn complexe bewegingspatronen vereist.

Prof. Dr. Stefan Tautz is hoofd van het Quantum Nanoscience Institute bij Jülich.

“Tot nu toe was het alleen mogelijk om gericht moleculen te bewegen met de hand, door trial en error. Maar met de hulp van een zelflerend, autonoom softwarebesturingssysteem zijn we er voor het eerst in geslaagd om een oplossing te vinden voor deze diversiteit en variabiliteit op de nanoschaal, en om dit proces te automatiseren,” zegt Tautz.

Versterking Leren

Een van de fundamentele aspecten van deze ontwikkeling is versterking leren, een type machine learning dat bestaat uit het algoritme dat herhaaldelijk een taak probeert en leert van elke poging.

Prof. Dr. Klaus-Robert Müller is hoofd van de afdeling Machine Learning bij TU Berlijn.

“We schrijven geen oplossingspad voor voor de softwareagent, maar belonen succes en bestraffen falen,” zegt hij.

“In ons geval kreeg de agent de taak om individuele moleculen te verwijderen uit een laag waarin ze worden gehouden door een complex netwerk van chemische bindingen. Om precies te zijn, waren dit peryleenmoleculen, zoals die worden gebruikt in verf en organische lichtemitterende diodes,” voegt Dr. Christian Wagner toe.

Er is een kritiek punt waarop de kracht die nodig is om de moleculen te verplaatsen de sterkte van de binding niet kan overschrijden waar de tunnelingmicroscoop de molecule aantrekt.

“De punt van de microscoop moet dus een speciaal bewegingspatroon uitvoeren, dat we eerder met de hand moesten ontdekken, letterlijk,” zegt Wagner.

Versterking leren wordt gebruikt terwijl de softwareagent leert welke bewegingen werken, en het blijft elke keer verbeteren.

Echter, de punt van de scanning tunneling microscoop bestaat uit metaalatomen, die kunnen verschuiven, en dit verandert de bindingssterkte van de molecule.

“Elke nieuwe poging maakt het risico van een verandering en dus de breuk van de binding tussen punt en molecule groter. De softwareagent wordt dus gedwongen om bijzonder snel te leren, aangezien zijn ervaringen op elk moment verouderd kunnen raken,” zegt Prof. Dr. Stefan Tautz. “Het is een beetje alsof het wegennet, verkeersregels, carrosserie en regels voor het bedienen van voertuigen constant veranderen terwijl je autonoom rijdt.”

Om dit te overwinnen, ontwikkelden de onderzoekers de software zodanig dat het een eenvoudig model van de omgeving leert waar de manipulatie plaatsvindt, parallel aan de initiële cycli. Om het leerproces te versnellen, traint de agent tegelijkertijd in de realiteit en in zijn eigen model.

“Dit is de eerste keer dat we erin geslaagd zijn om kunstmatige intelligentie en nanotechnologie samen te brengen,” zegt Klaus-Robert Müller.

“Tot nu toe was dit alleen een ‘proof of principle’, ” voegt Tautz toe. “Echter, we zijn ervan overtuigd dat ons werk de weg zal vrijmaken voor de robot-assisted geautomatiseerde constructie van functionele supramoleculaire structuren, zoals moleculaire transistors, geheugencellen of quibits — met een snelheid, precisie en betrouwbaarheid die verder gaat dan wat momenteel mogelijk is.”

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