Sztuczny system inteligentny zdolny do poruszania pojedynczych cząsteczek

Naukowcy z Jülich i Berlina opracowali sztuczny system inteligentny, który jest w stanie samodzielnie uczyć się, jak poruszać pojedynczymi cząsteczkami za pomocą mikroskopu skaningowego. Ponieważ atomy i cząsteczki nie zachowują się jak obiekty makroskopowe, każdy z tych bloków budulcowych wymaga własnego systemu do poruszania.

Nowa metoda, którą naukowcy uważają, że może być wykorzystana do badań i technologii 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 efektywne pod względem kosztów przy tworzeniu prototypów lub modeli. Zyskuje na znaczeniu z roku na rok, ponieważ technologia jest ciągle udoskonalana, i jest teraz głównym narzędziem wykorzystywanym przez przemysł.

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

“Jeśli ten koncept mógłby być przeniesiony na poziom nanoskali, aby umożliwić indywidualne cząsteczkom być specjalnie łączonymi lub rozdzielanymi ponownie, 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.

Indywidualne “przepisy”

Jednym z głównych wyzwań są indywidualne “przepisy” potrzebne do tego, aby mikroskop skaningowy mógł poruszać pojedynczymi cząsteczkami tam i z powrotem. Są one potrzebne, aby końcówka mikroskopu mogła układać cząsteczki przestrzennie i w sposób celowy.

Tzw. przepis nie może być obliczony ani wywnioskowany przez intuicję, co wynika z złożonej natury mechaniki na poziomie nanoskali. Działanie mikroskopu 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 próbę i błąd. Ale dzięki pomocy samouczącego się, autonomicznego systemu sterowania oprogramowaniem, udało nam się po raz pierwszy znaleźć rozwiązanie dla tego 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 TU Berlin.

“Nie przypisujemy rozwiązania dla agenta oprogramowania, ale nagradzamy sukces i karzą niepowodzenie,” 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 diodach emitujących światło organiczne,” dodaje dr Christian Wagner.

Istnieje punkt krytyczny, 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 używane, gdy agent oprogramowania uczy się, które ruchy działają, i ciągle się poprawia.

Jednak końcówka mikroskopu skaningowego 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 uczyć się 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 drogowego, karoseria i zasady obsługi pojazdów ciągle się zmieniają.”

Aby przezwyciężyć to, badacze opracowali oprogramowanie tak, aby uczyło się prostego modelu środowiska, w którym zachodzi manipulacja, równolegle z początkowymi cyklami. Aby przyspieszyć proces uczenia, 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 zasadności,’” kontynuuje Tautz. “Jednak jesteśmy przekonani, że nasza praca otworzy drogę do robotycznej, zautomatyzowanej budowy 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