ระบบปัญญาประดิษฐ์ที่สามารถเคลื่อนย้ายโมเลกุลเดี่ยว

นักวิทยาศาสตร์จาก Jülich และ Berlin ได้พัฒนาระบบปัญญาประดิษฐ์ที่สามารถเรียนรู้ได้ด้วยตนเองวิธีการเคลื่อนย้ายโมเลกุลเดี่ยวโดยใช้กล้องส่องทางอุโมงค์ เนื่องจากอะตอมและโมเลกุลไม่ทำงานเหมือนวัตถุขนาดใหญ่ แต่ละอันจึงต้องการระบบการเคลื่อนที่ของตนเอง

วิธีการใหม่นี้ซึ่งนักวิทยาศาสตร์เชื่อว่าสามารถใช้สำหรับการวิจัยและเทคโนโลยีการผลิต เช่น การพิมพ์ 3D ในระดับโมเลกุล ได้รับการตีพิมพ์ใน Science Advances

การพิมพ์ 3D

การสร้างต้นแบบอย่างรวดเร็ว หรือที่รู้จักกันในชื่อการพิมพ์ 3D มีค่าใช้จ่ายที่ต่ำมากในการสร้างต้นแบบหรือแบบจำลอง มีความสำคัญเพิ่มขึ้นในช่วงหลายปีที่ผ่านมา เนื่องจากเทคโนโลยีมีการปรับปรุงอย่างต่อเนื่อง และตอนนี้เป็นเครื่องมือหลักสำหรับอุตสาหกรรม

ดร. คริสเตียน วากเนอร์ เป็นหัวหน้ากลุ่มทำงานด้านการควบคุมโมเลกุลของ ERC ที่ Forschungszentrum Jülich

“หากแนวคิดนี้สามารถถ่ายโอนไปยังระดับนาโนได้ เพื่อให้โมเลกุลเดี่ยวสามารถจัดเรียงหรือแยกออกจากกันเหมือนกับบล็อกเลโก้ ความเป็นไปได้จะไม่มีที่สิ้นสุด โดยพิจารณาว่ามีการจัดการโมเลกุลประมาณ 10^60 แบบที่ Forschungszentrum Jülich” วากเนอร์กล่าว

สูตร “ส่วนผสม” ของแต่ละโมเลกุล

หนึ่งในความท้าทายหลักคือ “สูตร” ส่วนผสมของแต่ละโมเลกุลที่จำเป็นสำหรับการเคลื่อนย้ายโมเลกุลไปมาโดยใช้กล้องส่องทางอุโมงค์ สิ่งเหล่านี้จำเป็นต่อการเรียงลำดับโมเลกุลในพื้นที่และเป้าหมาย

สูตรหรือส่วนผสมนี้ไม่สามารถคำนวณหรืออนุมานได้ เนื่องจากกลไกที่ซับซ้อนในระดับนาโน การทำงานของกล้องส่องทางอุโมงค์เป็นการมีปลายที่แข็งและโมเลกุลติดกันอย่างเบามือ เพื่อให้โมเลกุลเหล่านี้เคลื่อนที่ได้ จำเป็นต้องมีรูปแบบการเคลื่อนที่ที่ซับซ้อน

ศาสตราจารย์ ดร. สเตฟาน เทาตซ์ เป็นหัวหน้าสถาบันควอนตัมนาโนไซนซ์ tại Jülich

“จนถึงตอนนี้ การเคลื่อนที่ที่มุ่งเป้าไปที่โมเลกุลนี้สามารถทำได้เพียงโดยการทำด้วยมือผ่านการลองผิดลองถูก แต่ด้วยความช่วยเหลือของซอฟต์แวร์ที่เรียนรู้ด้วยตนเองและควบคุมอัตโนมัติ เราได้พบวิธีแก้ปัญหาสำหรับความหลากหลายและความผันผวนในระดับนาโน และทำให้กระบวนการนี้เป็นอัตโนมัติ” เทาตซ์กล่าว

การเรียนรู้แบบเสริม

หนึ่งในประเด็นพื้นฐานของการพัฒนานี้คือการเรียนรู้แบบเสริม ซึ่งเป็นรูปแบบหนึ่งของการเรียนรู้ของเครื่องจักรที่เกี่ยวข้องกับการลองทำซ้ำๆ และเรียนรู้จากความพยายามแต่ละครั้ง

ศาสตราจารย์ ดร. คลอุส-โรเบิร์ต มุลเลอร์ เป็นหัวหน้าแผนกการเรียนรู้ของเครื่องจักรที่ TU Berlin

“เราไม่ได้กำหนดเส้นทางการแก้ปัญหาให้กับตัวแทนซอฟต์แวร์ แต่ให้รางวัลสำหรับความสำเร็จและลงโทษสำหรับความล้มเหลว” เขากล่าว

“ในกรณีของเรา ตัวแทนได้รับมอบหมายให้ลบโมเลกุลเดี่ยวออกจากชั้นที่ถูกยึดโดยเครือข่ายพันธะเคมีที่ซับซ้อน โดยเฉพาะโมเลกุล perylene เช่นที่ใช้ในสีและไดโอดส่องสว่างออร์แกนิก” ดร. คริสเตียน วากเนอร์补充

มีจุดที่สำคัญที่แรงที่จำเป็นในการเคลื่อนโมเลกุลไม่สามารถเกินความแข็งแรงของพันธะที่ปลายกล้องส่องทางอุโมงค์ยึดโมเลกุล

“ดังนั้น ปลายกล้องจึงต้องทำการเคลื่อนที่พิเศษ ซึ่งเราต้องค้นพบด้วยตนเองก่อนหน้านี้” วากเนอร์กล่าว

การเรียนรู้แบบเสริมใช้เมื่อตัวแทนซอฟต์แวร์เรียนรู้การเคลื่อนที่ที่ทำงาน และปรับปรุงการทำงานในแต่ละครั้ง

อย่างไรก็ตาม ปลายกล้องส่องทางอุโมงค์ประกอบด้วยอะตอมโลหะที่สามารถเปลี่ยนแปลงได้ และสิ่งนี้ทำให้ความแข็งแรงของพันธะระหว่างโมเลกุลและปลายกล้องเปลี่ยนแปลง

“ทุกครั้งที่ลองใหม่ ความเสี่ยงของการเปลี่ยนแปลงและความเสี่ยงต่อการแตกหักของพันธะระหว่างปลายกล้องและโมเลกุลจะเพิ่มขึ้น ดังนั้นตัวแทนซอฟต์แวร์จึงถูกบังคับให้เรียนรู้อย่างรวดเร็ว เนื่องจากประสบการณ์ของมันสามารถล้าสมัยได้ทุกเมื่อ” ศาสตราจารย์ ดร. สเตฟาน เทาตซ์กล่าว “มันเหมือนกับการขับรถอัตโนมัติในขณะที่เครือข่ายถนน กฎจราจร รูปร่างของรถยนต์ และกฎการขับขี่เปลี่ยนแปลงอย่างต่อเนื่อง”

เพื่อแก้ปัญหานี้ นักวิจัยได้พัฒนาซอฟต์แวร์ให้เรียนรู้แบบจำลองพื้นฐานของสภาพแวดล้อมที่เกิดการดัดแปลงในเวลาเดียวกันกับการวนซ้ำครั้งแรก เพื่อเร่งกระบวนการเรียนรู้ ตัวแทนซอฟต์แวร์ฝึกฝนในความเป็นจริงและในแบบจำลองของมันในเวลาเดียวกัน

“นี่เป็นครั้งแรกที่เราได้รวมปัญญาประดิษฐ์และนาโนเทคโนโลยีเข้าด้วยกัน” คลอุส-โรเบิร์ต มุลเลอร์กล่าว

“จนถึงตอนนี้ สิ่งนี้เป็นเพียง ‘หลักฐานของหลักการ’” เทาตซ์เสริม “อย่างไรก็ตาม เรามั่นใจว่างานของเราจะเปิดทางให้กับการก่อสร้างอัตโนมัติด้วยหุ่นยนต์ของโครงสร้างซูปราโมเลกุลที่มีหน้าที่ เช่น ทรานซิสเตอร์โมเลกุล เซลล์หน่วยความจำ หรือคิวบิต — ด้วยความเร็ว ความแม่นยำ และความน่าเชื่อถือที่เกินกว่าที่เป็นไปได้ในปัจจุบัน”

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