Sztuczna inteligencja zdolna do poruszania pojedynczych cząsteczek

Naukowcy z Jülich i Berlina opracowali system sztucznej inteligencji, który jest w stanie samodzielnie uczyć się, jak poruszać pojedynczymi cząsteczkami za pomocą mikroskopu tunelowego. Ponieważ atomy i cząsteczki nie zachowują się jak obiekty makroskopowe, każdy z tych budulców wymaga własnego systemu poruszania.

Nowa metoda, którą naukowcy uważają, że może być wykorzystana w badaniach i technologiach produkcyjnych, takich jak druk 3D na poziomie molekularnym, została opublikowana w Science Advances.

Druk 3D

Szybkie tworzenie prototypów, bardziej znane jako druk 3D, jest niezwykle opłacalne, gdy chodzi o tworzenie modeli lub prototypów. Zyskuje na znaczeniu z każdym rokiem, ponieważ technologia jest ciągle udoskonalana, i jest obecnie ważnym narzędziem wykorzystywanym przez przemysł.

Dr Christian Wagner jest kierownikiem grupy roboczej ds. manipulacji molekularnej w Forschungszentrum Jülich.

“Jeśli ta koncepcja mogłaby być przeniesiona na poziom nanoskali, aby umożliwić pojedynczym cząsteczkom być łączonymi lub rozłączanymi w sposób celowy, tak jak klocki LEGO, możliwości byłyby niemal nieograniczone, biorąc pod uwagę, że istnieje około 10^60 możliwych typów manipulacji molekularnych w Forschungszentrum Jülich”, mówi Wagner.

Pojedyncze “przepisy”

Jednym z głównych wyzwań są pojedyncze “przepisy” niezbędne do poruszania pojedynczych cząsteczek tam i z powrotem za pomocą mikroskopu tunelowego. Są one potrzebne, aby umożliwić końcówce mikroskopu układanie cząsteczek w przestrzeni i w sposób celowy.

Tzw. przepis nie może być obliczony ani wywnioskowany przez intuicję, co wynika z złożonej natury mechaniki na poziomie nanoskali. Sposób, w jaki mikroskop działa, polega na tym, że ma sztywny stożek na końcu, do którego cząsteczki lekko przylegają. Aby te cząsteczki mogły się poruszać, wymagane są złożone wzory ruchu.

Prof. dr Stefan Tautz jest kierownikiem Instytutu Nanonauk Kwantowych w Jülich.

“Do tej pory takie celowe poruszanie cząsteczek było możliwe tylko ręcznie, przez próby i błędy. Ale dzięki pomocy samouczącego się, autonomicznego systemu sterowania oprogramowaniem, udało nam się po raz pierwszy znaleźć rozwiązanie dla tej różnorodności i zmienności na poziomie nanoskali i zautomatyzować ten proces”, mówi Tautz.

Uczenie wzmocnione

Jednym z podstawowych aspektów tego rozwoju jest uczenie wzmocnione, które jest rodzajem uczenia maszynowego, w którym algorytm wielokrotnie próbuje wykonać zadanie i uczy się z każdej próby.

Prof. dr Klaus-Robert Müller jest kierownikiem departamentu Uczenia Maszynowego na Uniwersytecie Technicznym w Berlinie.

“Nie przypisujemy ścieżki rozwiązania dla agenta oprogramowania, ale nagradzamy sukces i karzimy porażkę”, mówi.

“W naszym przypadku agent otrzymał zadanie usunięcia pojedynczych cząsteczek z warstwy, w której są one utrzymywane przez złożoną sieć wiązań chemicznych. Dokładnie, były to cząsteczki perylenowe, takie jak te używane w barwnikach i organicznych diodach emitujących światło”, dodaje dr Christian Wagner.

Istnieje punkt, w którym siła potrzebna do poruszania cząsteczek nie może przekroczyć siły wiązania, w którym mikroskop tunelowy przyciąga cząsteczkę.

“Końcówka mikroskopu musi więc wykonać specjalny wzór ruchu, który wcześniej musieliśmy odkryć ręcznie, dosłownie”, mówi Wagner.

Uczenie wzmocnione jest stosowane, gdy agent oprogramowania uczy się, które ruchy działają, i poprawia się za każdym razem.

Jednak końcówka mikroskopu tunelowego składa się z atomów metalu, które mogą się przesuwać, i to zmienia siłę wiązania cząsteczki.

“Każda nowa próba zwiększa ryzyko zmiany i tym samym przerwania wiązania między końcówką a cząsteczką. Agent oprogramowania jest więc zmuszony do nauki szczególnie szybko, ponieważ jego doświadczenia mogą stać się nieaktualne w każdej chwili”, mówi prof. dr Stefan Tautz. “To trochę jak jeżdżenie autonomicznie, podczas gdy sieć drogowa, przepisy ruchu, karoseria i zasady obsługi pojazdów są ciągle zmieniane.”

Aby przezwyciężyć to, naukowcy opracowali oprogramowanie, które uczy się prostego modelu środowiska, w którym zachodzi manipulacja, równolegle z początkowymi cyklami. Aby przyspieszyć proces nauki, agent jednocześnie trenuje w rzeczywistości i w swoim własnym modelu.

“To pierwszy raz, kiedy udało nam się połączyć sztuczną inteligencję i nanotechnologię”, mówi Klaus-Robert Müller.

“Do tej pory było to tylko ‘dowód principal'”, kontynuuje Tautz. “Jednak jesteśmy przekonani, że nasza praca otworzy drogę do robotycznej, zautomatyzowanej konstrukcji funkcjonalnych struktur supramolekularnych, takich jak tranzystory molekularne, komórki pamięci lub quibity – z prędkością, precyzją i niezawodnością znacznie przekraczającą to, co jest obecnie możliwe.”

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