Sistema de Inteligência Artificial Capaz de Mover Moléculas Individuais

Cientistas de Jülich e Berlim desenvolveram um sistema de inteligência artificial capaz de aprender autonomamente como mover moléculas individuais por meio de um microscópio de tunelamento de varredura. Como os átomos e moléculas não se comportam como objetos macroscópicos, cada um desses blocos de construção precisa de seu próprio sistema para movê-los.

O novo método, que os cientistas acreditam que pode ser usado para tecnologias de pesquisa e produção, como impressão 3D molecular, foi publicado em Science Advances.

Impressão 3D

A prototipagem rápida, mais comumente conhecida como impressão 3D, é extremamente econômica quando se trata de criar protótipos ou modelos. Ela tem aumentado em importância ao longo dos anos, à medida que a tecnologia tem melhorado constantemente, e agora é uma ferramenta importante usada pela indústria.

O Dr. Christian Wagner é chefe do grupo de trabalho ERC sobre manipulação molecular no Forschungszentrum Jülich.

“Se esse conceito pudesse ser transferido para a escala nanométrica para permitir que moléculas individuais sejam montadas ou separadas novamente, como peças de LEGO, as possibilidades seriam quase ilimitadas, considerando que existem cerca de 10^60 tipos concebíveis de manipulação molecular no Forschungszentrum Jülich”, diz Wagner.

Receitas Individuais

Um dos principais desafios são as “receitas” individuais necessárias para que o microscópio de tunelamento de varredura mova moléculas individuais para frente e para trás. Essas são necessárias para que a ponta do microscópio possa organizar moléculas espacialmente e de forma direcionada.

A chamada receita não pode ser calculada ou deduzida por intuição, devido à natureza complexa da mecânica na escala nanométrica. O funcionamento do microscópio é por meio de um cone rígido na ponta, ao qual as moléculas se ligam levemente. Para que essas moléculas se movam, são necessários padrões de movimento complexos.

O Prof. Dr. Stefan Tautz é chefe do Instituto de Nanociência Quântica em Jülich.

“Até agora, esse movimento direcionado de moléculas só foi possível manualmente, por meio de tentativa e erro. Mas com a ajuda de um sistema de controle de software autônomo e autoaprendiz, conseguimos encontrar uma solução para essa diversidade e variabilidade na escala nanométrica e automatizar esse processo”, diz Tautz.

Aprendizado por Reforço

Um dos aspectos fundamentais desse desenvolvimento é o aprendizado por reforço, que é um tipo de aprendizado de máquina que envolve o algoritmo tentar repetidamente uma tarefa e aprender com cada tentativa.

O Prof. Dr. Klaus-Robert Müller é chefe do departamento de Aprendizado de Máquina na TU Berlin.

“Nós não prescrevemos um caminho de solução para o agente de software, mas sim recompensamos o sucesso e penalizamos o fracasso”, diz ele.

“No nosso caso, o agente recebeu a tarefa de remover moléculas individuais de uma camada em que elas são mantidas por uma rede complexa de ligações químicas. Para ser preciso, essas eram moléculas de perileno, como as usadas em corantes e diodos emissores de luz orgânicos”, acrescenta o Dr. Christian Wagner.

Há um ponto crítico em que a força necessária para mover as moléculas não pode exceder a força da ligação onde o microscópio de tunelamento atrai a molécula.

“A ponta do microscópio, portanto, tem que executar um padrão de movimento especial, que anteriormente tínhamos que descobrir manualmente, literalmente”, diz Wagner.

O aprendizado por reforço é usado enquanto o agente de software aprende quais movimentos funcionam e continua a melhorar a cada vez.

No entanto, a ponta do microscópio de tunelamento é composta por átomos de metal, que podem se mover, e isso muda a força da ligação da molécula.

“Cada nova tentativa aumenta o risco de uma mudança e, portanto, da quebra da ligação entre a ponta e a molécula. O agente de software, portanto, é forçado a aprender particularmente rápido, pois suas experiências podem se tornar obsoletas a qualquer momento”, diz o Prof. Dr. Stefan Tautz. “É um pouco como se a rede de estradas, leis de trânsito, carroceria e regras para operar os veículos estivessem mudando constantemente enquanto se dirige autonomamente”.

Para contornar isso, os pesquisadores desenvolveram o software para que ele aprenda um modelo simples do ambiente onde a manipulação ocorre em paralelo com os ciclos iniciais. Para acelerar o processo de aprendizado, o agente treina simultaneamente na realidade e no seu próprio modelo.

“Essa é a primeira vez que conseguimos combinar inteligência artificial e nanotecnologia”, diz Klaus-Robert Müller.

“Até agora, isso só foi uma ‘prova de princípio’”, continua Tautz. “No entanto, estamos confiantes de que nosso trabalho pavimentará o caminho para a construção automatizada assistida por robôs de estruturas supramoleculares funcionais, como transistores moleculares, células de memória ou quibits — com uma velocidade, precisão e confiabilidade muito além do que é possível atualmente”.

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