Искусственная Интеллект Система, Способная Перемещать Индивидуальные Молекулы

Ученые из Юлиха и Берлина разработали искусственную интеллект систему, способную автономно учиться, как перемещать индивидуальные молекулы с помощью сканирующего туннельного микроскопа. Поскольку атомы и молекулы не ведут себя как макроскопические объекты, каждая из этих строительных блоков требует своей собственной системы для перемещения.

Новый метод, который ученые считают, может быть использован для исследований и производственных технологий, таких как молекулярная 3D-печать, был опубликован в Science Advances.

3D Печать

Быстрое прототипирование, более известное как 3D-печать, является非常 экономически эффективным при создании прототипов или моделей. Оно увеличивает свою важность на протяжении многих лет, поскольку технология постоянно улучшается, и теперь это основной инструмент, используемый промышленностью.

Доктор Кристиан Вагнер является главой рабочей группы ERC по манипуляции молекулами в Forschungszentrum Jülich.

«Если эта концепция может быть перенесена на наномасштаб, чтобы индивидуальные молекулы могли быть собраны или разобраны, как LEGO кирпичи, возможности будут почти бесконечными, учитывая, что существует около 10^60 возможных типов манипуляции молекулами в Forschungszentrum Jülich», – говорит Вагнер.

Индивидуальные «Рецепты»

Одной из основных проблем являются индивидуальные «рецепты», необходимые для того, чтобы сканирующий туннельный микроскоп мог перемещать индивидуальные молекулы туда и обратно. Эти рецепты необходимы для того, чтобы кончик микроскопа мог располагать молекулы пространственно и целенаправленно.

Так называемый рецепт не может быть рассчитан или выведен интуитивно, что обусловлено сложной природой механики на наномасштабе. Способ работы микроскопа заключается в том, что у него есть жесткий конус на кончике, к которому молекулы слегка прилипают. Чтобы эти молекулы могли двигаться, необходимы сложные движения.

Профессор доктор Штефан Таутц является главой Института квантовой нанонауки в Юлихе.

«До сих пор такая целенаправленная манипуляция молекулами была возможна только вручную, методом проб и ошибок. Но с помощью самообучающейся, автономной системы управления программного обеспечения мы впервые смогли найти решение для этой разнообразности и изменчивости на наномасштабе и автоматизировать этот процесс», – говорит Таутц.

Усиление Обучения

Одним из фундаментальных аспектов этого развития является усиление обучения, которое представляет собой тип машинного обучения, включающий повторяющиеся попытки выполнить задачу и обучение на каждой попытке.

Профессор доктор Клаус-Роберт Мюллер является главой отдела машинного обучения в Техническом университете Берлина.

«Мы не предписываем решение для программного агента, а вознаграждаем успех и наказываем неудачу», – говорит он.

«В нашем случае агент получил задачу удаления индивидуальных молекул из слоя, в котором они удерживаются сложной сетью химических связей. Чтобы быть точным, это были молекулы перилена, такие как те, которые используются в красителях и органических светодиодах», – добавляет доктор Кристиан Вагнер.

Существует ключевая точка, в которой сила, необходимая для перемещения молекул, не может превышать прочность связи, где туннельный микроскоп притягивает молекулу.

«Кончик микроскопа должен выполнить специальный шаблон движения, который мы ранее должны были обнаружить вручную, буквально», – говорит Вагнер.

Усиление обучения используется, пока программный агент учится, какие движения работают, и он продолжает улучшаться каждый раз.

Однако кончик сканирующего туннельного микроскопа состоит из металлических атомов, которые могут сдвигаться, и это изменяет прочность связи молекулы.

«Каждая новая попытка увеличивает риск изменения и, следовательно, разрыва связи между кончиком и молекулой. Программный агент поэтому вынужден учиться особенно быстро, поскольку его опыт может стать устаревшим в любой момент», – говорит профессор доктор Штефан Таутц. «Это немного похоже на то, как если бы сеть дорог, правила дорожного движения, кузов и правила эксплуатации транспортных средств постоянно менялись во время автономного вождения».

Чтобы преодолеть это, исследователи разработали программное обеспечение так, чтобы оно училось простой модели окружающей среды, где происходит манипуляция, параллельно с начальными циклами. Чтобы ускорить процесс обучения, агент одновременно тренируется в реальности и в своей собственной модели.

«Это первый раз, когда мы смогли объединить искусственный интеллект и нанотехнологию», – говорит Клаус-Роберт Мюллер.

«До сих пор это было только «доказательством принципа», – продолжает Таутц. – «Однако мы уверены, что наша работа откроет путь для роботизированного автоматизированного строительства функциональных супрамолекулярных структур, таких как молекулярные транзисторы, ячейки памяти или кубиты – с скоростью, точностью и надежностью, далеко превышающей то, что сейчас возможно».

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