Artificiell intelligenssystem kan flytta enskilda molekyler

Forskare från Jülich och Berlin har utvecklat ett artificiellt intelligenssystem som kan lära sig att flytta enskilda molekyler på egen hand med hjälp av en scanningtunnelmikroskop. Eftersom atomer och molekyler inte beter sig som makroskopiska föremål behöver var och en av dessa byggstenar sitt eget system för att flyttas.

Den nya metoden, som forskarna tror kan användas för forskning och produktionsTeknologier som molekylär 3D-utskrifter, publicerades i Science Advances.

3D-utskrifter

Rapid prototyping, mer känt som 3D-utskrifter, är extremt kostnadseffektivt när det gäller att skapa prototyper eller modeller. Det har ökat i betydelse över åren allteftersom tekniken har förbättrats, och det är nu ett viktigt verktyg som används av industrin.

Dr. Christian Wagner är chef för den europeiska forskargruppen för molekylmanipulation vid Forschungszentrum Jülich.

“Om denna koncept kunde överföras till nanoskalan för att tillåta enskilda molekyler att sättas samman eller separeras igen, precis som LEGO-bricks, skulle möjligheterna vara nästan oändliga, med tanke på att det finns runt 1060 tänkbara typer av molekylmanipulation vid Forschungszentrum Jülich,” säger Wagner.

Individuella “recept”

En av de största utmaningarna är de individuella “recepten” som behövs för att scanningtunnelmikroskopet ska kunna flytta enskilda molekyler fram och tillbaka. Dessa behövs så att mikroskopets spets kan ordna molekyler rumsligt och i en riktad form.

Det så kallade receptet kan inte beräknas eller härledas genom intuition, vilket beror på den komplexa naturen av mekaniken på nanoskalan. Sättet mikroskopet fungerar på är att ha en fast kon på spetsen, som molekylerna lätt fastnar på. För att dessa molekyler ska kunna flyttas runt krävs komplexa rörelsemönster.

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

“Hittills har en sådan riktad rörelse av molekyler endast varit möjlig för hand, genom trial and error. Men med hjälp av ett självlärande, autonomt programvarukontrollsystem har vi nu lyckats för första gången att hitta en lösning för denna mångfald och variabilitet på nanoskalan, och automatisera denna process,” säger Tautz.

Reinforcement Learning

En av de grundläggande aspekterna av denna utveckling är reinforcement learning, som är en typ av maskinlärande som innebär att algoritmen upprepar försök och lär av varje försök.

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

“Vi föreskriver inte en lösningssökväg för programvaruagenten, utan belönar framgång och bestraffar misslyckande,” säger han.

“I vårt fall fick agenten i uppgift 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, sådana som används i färger och organiska lysdioder,” tillägger Dr. Christian Wagner.

Det finns en viktig punkt där kraften som krävs för att flytta molekylerna inte kan överstiga bindningsstyrkan där tunnelmikroskopet attraherar molekylen.

“Mikroskopets spets måste därför utföra ett särskilt rörelsemönster, som vi tidigare var tvungna att upptäcka för hand, bokstavligen,” säger Wagner.

Reinforcement learning används medan programvaruagenten lär sig vilka rörelser som fungerar, och den fortsätter att förbättras varje gång.

Men spetsen på scanningtunnelmikroskopet består av metalletatomer, som kan skifta, och detta ändrar bindningsstyrkan hos molekylen.

“Varje nytt försök ökar risken för en förändring och därmed brottet av bindningen mellan spetsen och molekylen. Programvaruagenten tvingas därför 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, trafiklagar, kaross och regler för fordon förändras konstant medan man kör autonomt.”

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

“Detta är första gången vi har lyckats föra samman artificiell intelligens och nanoteknik,” säger Klaus-Robert Müller.

“Hittills har detta endast varit en ‘bevis för principen,’” fortsätter Tautz. “Men vi är övertygade om att vårt arbete kommer att bana väg för den robotassisterade automatiserade konstruktionen av funktionella supramolekylära strukturer, såsom molekylära transistorer, minnesceller eller quibits — med en hastighet, precision och tillförlitlighet långt utöver vad som är möjligt för närvarande.”

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