Kunstig intelligenssystem i stand til å flytte enkeltmolekyler

Forskere fra Jülich og Berlin har utviklet et kunstig intelligenssystem som kan lære å flytte enkeltmolekyler på egen hånd ved hjelp av et scanningtunnelmikroskop. Fordi atomer og molekyler ikke oppfører seg som makroskopiske objekter, trenger hver av disse byggesteinene sitt eget system for å flytte dem.

Den nye metoden, som forskerne tror kan brukes for forskning og produksjonsteknologier som molekylær 3D-utskrift, ble publisert i Science Advances.

3D-utskrift

Rask prototyping, mer kjent som 3D-utskrift, er ekstremt kostnadseffektivt når det kommer til å lage prototyper eller modeller. Det har økt i betydning over årene ettersom teknologien har forbedret seg konstant, og det er nå et viktig verktøy brukt av industrien.

Dr. Christian Wagner er leder for ERC-arbeidsgruppen for molekylmanipulasjon ved Forschungszentrum Jülich.

“Hvis dette konseptet kunne overføres til nanoskalaen for å tillate enkeltmolekyler å settes sammen eller skilles igjen som LEGO-klodder, ville mulighetene være nesten ubegrensede, ettersom det finnes rundt 1060 tenkelige typer molekylmanipulasjon ved Forschungszentrum Jülich,” sier Wagner.

Enkelt “recepter”

En av de største utfordringene er de enkelt “recepter” som trengs for å flytte enkeltmolekyler frem og tilbake med scanningtunnelmikroskopet. Disse trengs for å arrangere molekyler romlig og målrettet.

Det såkalte “receptet” kan ikke beregnes eller sluttes fra intuisjon, som skyldes den komplekse naturen til mekanikk på nanoskalaen. Mikroskopet fungerer ved å ha en stiv kon på spissen, som molekylene lett fester seg til. For å flytte molekylene rundt, trengs komplekse bevegelsesmønster.

Prof. Dr. Stefan Tautz er leder for Quantum Nanoscience Institute ved Jülich.

“Hittil har slik målrettet bevegelse av molekyler bare vært mulig for hånd, gjennom prøving og feil. Men med hjelp av en selv-lærende, autonom programvarekontrollsystem, har vi nå lykkes for første gang å finne en løsning for denne mangfoldigheten og variasjonen på nanoskalaen, og automatisere denne prosessen,” sier Tautz.

Forsterkingslæring

En av de grunnleggende aspektene ved denne utviklingen er forsterkingslæring, som er en type maskinlæring som innebærer at algoritmen gjentakende forsøker en oppgave og lærer av hver forsøk.

Prof. Dr. Klaus-Robert Müller er leder for maskinlæringsavdelingen ved TU Berlin.

“Vi foreskriver ikke en løsningsvei for programvareagenten, men belønner suksess og straffer feil,” sier han.

“I vårt tilfelle fikk agenten oppgaven å fjerne enkeltmolekyler fra et lag hvor de holdes av et komplekst nettverk av kjemiske bindinger. For å være nøyaktig, var dette perylenmolekyler, som brukes i farger og organiske lys-emitterende dioder,” legger Dr. Christian Wagner til.

Det er et viktig punkt hvor kraften som trengs for å flytte molekylene ikke kan overstige styrken til bindingen hvor tunnelmikroskopet tiltrekker molekylet.

“Mikroskospissen må derfor utføre et spesielt bevegelsesmønster, som vi tidligere måtte oppdage for hånd, bokstavelig talt,” sier Wagner.

Forsterkingslæring brukes mens programvareagenten lærer hvilke bevegelser som fungerer, og den forbedrer seg hver gang.

Men spissen på scanningtunnelmikroskopet består av metallatomer, som kan flytte seg, og dette endrer bindingens styrke til molekylet.

“Hver nytt forsøk øker risikoen for en endring og dermed bruddet av bindingen mellom spissen og molekylet. Programvareagenten må derfor lære spesielt raskt, siden dens erfaringer kan bli foreldet når som helst,” sier Prof. Dr. Stefan Tautz. “Det er litt som om veinettet, trafikkregler, karosseri og regler for å kjøre kjøretøy endrer seg konstant mens man kjører autonomt.”

For å komme forbi dette, utviklet forskerne programvaren så den lærer en enkel modell av miljøet hvor manipulasjonen skjer parallelt med de første syklusene. For å påskynde læreprosessen, trener agenten samtidig i virkeligheten og i sin egen modell.

“Dette er første gang noen sinne vi har lykkes å kombinere kunstig intelligens og nanoteknologi,” sier Klaus-Robert Müller.

“Hittil har dette bare vært en ‘proof of principle,’” fortsetter Tautz. “Men vi er trygge på at vårt arbeid vil åpne veien for robotassistert automatisert konstruksjon av funksjonelle supramolekylære strukturer, som molekylære transistorer, minneceller eller quibiter — med en hastighet, presisjon og pålitelighet langt over det som er mulig i dag.”

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