Artificiell intelligens som kan flytta enskilda molekyler

Forskare från Jülich och Berlin har utvecklat ett artificiellt intelligenssystem som är kapabelt att självständigt lära sig hur man förflyttar enskilda molekyler genom att använda ett skanningstunnelmikroskop. Eftersom atomer och molekyler inte fungerar som makroskopiska objekt, behöver var och en av dessa byggstenar sitt eget system för att röra sig. 

Den nya metoden, som forskarna tror kan användas för forsknings- och produktionsteknologier som molekylär 3D-utskrift, publicerades i Vetenskap Förskott. 

3D Utskrifter

Rapid prototyping, mer känd som 3D-utskrift, är extremt kostnadseffektivt när det kommer till att skapa prototyper eller modeller. Det har ökat i betydelse under åren eftersom tekniken ständigt har förbättrats och det är nu ett viktigt verktyg som används av industrin.

Dr Christian Wagner är chef för ERC:s arbetsgrupp för molekylär manipulation vid Forschungszentrum Jülich. 

"Om detta koncept kunde överföras till nanoskalan för att tillåta att enskilda molekyler specifikt sätts ihop eller separeras igen precis som LEGO-klossar, skulle möjligheterna vara nästan oändliga, med tanke på att det finns omkring 1060 tänkbara typer av molekylär manipulation vid Forschungszentrum Jülich," säger Wagner.

Individuella "recept"

En av de största utmaningarna är de individuella "recepten" som behövs för att tunnelmikroskopet ska kunna flytta enskilda molekyler fram och tillbaka. Dessa behövs för att spetsen på mikroskopet ska kunna ordna molekyler spatialt och målinriktat.

Det så kallade receptet kan inte beräknas eller härledas av intuition, vilket beror på mekanikens komplexa karaktär på nanoskalan. Sättet som mikroskopet fungerar är genom att ha en stel kon i spetsen, som molekylerna lätt fastnar på. För att dessa molekyler ska kunna röra sig krävs komplexa rörelsemönster. 

Prof. Dr. Stefan Tautz är chef för Quantum Nanoscience Institute vid Jülich.

"Till dags dato har en sådan riktad rörelse av molekyler bara varit möjlig för hand, genom försök och misstag. Men med hjälp av ett självlärande, autonomt mjukvarustyrsystem har vi nu för första gången lyckats hitta en lösning för denna mångfald och variation på nanoskalan, och att automatisera denna process, säger Tautz. 

Förstärkningslärande

En av de grundläggande aspekterna av denna utveckling är förstärkningsinlärning, som är en typ av maskininlärning som innebär att algoritmen upprepade gånger försöker en uppgift och lär sig av varje försök. 

Prof. Dr. Klaus-Robert Müller är chef för maskininlärningsavdelningen vid TU Berlin.

"Vi föreskriver inte en lösningsväg för programvaruagenten, utan snarare belönar framgång och straffar misslyckanden", säger han.

”I vårt fall fick medlet i uppdrag att ta bort enskilda molekyler från ett lager där de hålls av ett komplext nätverk av kemiska bindningar. För att vara exakt var dessa perylenmolekyler, som de som används i färgämnen och organiska lysdioder, tillägger Dr Christian Wagner. 

Det finns en nyckelpunkt där kraften som krävs för att flytta molekylerna inte kan överstiga styrkan hos bindningen där tunnelmikroskopet attraherar molekylen.

– Mikroskopspetsen måste därför utföra ett speciellt rörelsemönster, som vi tidigare var tvungna att upptäcka för hand, bokstavligen, säger Wagner. 

Förstärkningsinlärning används medan programvaruagenten lär sig vilka rörelser som fungerar, och det fortsätter att förbättras varje gång.

Spetsen på scanningstunnelmikroskopet består dock av metallatomer, som kan skifta, och detta ändrar bindningsstyrkan hos molekylen.

”Varje nytt försök gör risken för en förändring och därmed brytningen av bindningen mellan spets och molekyl större. Programvaruagenten är därför tvungen att lära sig särskilt snabbt, eftersom dess erfarenheter kan bli föråldrade när som helst, säger prof. dr. Stefan Tautz. "Det är lite som om vägnätet, trafiklagarna, karossen och reglerna för att köra fordonen ständigt förändras när man kör autonomt." 

För att komma förbi detta utvecklade forskarna mjukvaran så att den lär sig en enkel modell av miljön där manipulationen sker parallellt med de inledande cyklerna. För att påskynda inlärningsprocessen tränar agenten samtidigt i verkligheten och i sin egen modell.

"Det här är första gången någonsin som vi har lyckats föra samman artificiell intelligens och nanoteknik", säger Klaus-Robert Müller. 

"Hittills har detta bara varit ett "principbevis", fortsätter Tautz. "Men vi är övertygade om att vårt arbete kommer att bana väg för robotassisterad automatiserad konstruktion av funktionella supramolekylära strukturer, såsom molekylära transistorer, minnesceller eller quibits - med en hastighet, precision och tillförlitlighet som är långt över vad som är nu möjligt."