Bireysel Molekülleri Hareket Ettirebilen Yapay Zeka Sistemi

Jülich ve Berlin'den bilim adamları, bir taramalı tünelleme mikroskobu kullanarak tek tek molekülleri nasıl hareket ettireceklerini otonom olarak öğrenebilen bir yapay zeka sistemi geliştirdiler. Atomlar ve moleküller makroskobik nesneler gibi hareket etmedikleri için, bu yapı taşlarının her biri kendi hareket sistemine ihtiyaç duyar. 

Bilim adamlarının moleküler 3D baskı gibi araştırma ve üretim teknolojilerinde kullanılabileceğine inandıkları yeni yöntem, geçtiğimiz günlerde yayınlandı. Bilim Gelişmeler. 

3D Baskı

Daha yaygın olarak 3D baskı olarak bilinen hızlı prototipleme, prototip veya model oluşturma söz konusu olduğunda son derece uygun maliyetlidir. Teknolojinin sürekli gelişmesiyle yıllar geçtikçe önemi artmakta ve artık endüstri tarafından kullanılan önemli bir araçtır.

Dr. Christian Wagner, Forschungszentrum Jülich'te ERC moleküler manipülasyon çalışma grubunun başkanıdır. 

"Eğer bu kavram, bireysel moleküllerin tıpkı LEGO tuğlaları gibi özel olarak bir araya getirilmesine veya yeniden ayrılmasına izin verecek şekilde nano ölçeğe aktarılabilseydi, Forschungszentrum Jülich'te yaklaşık 1060 akla gelebilecek moleküler manipülasyon türü olduğu göz önüne alındığında, olasılıklar neredeyse sonsuz olurdu." Wagner diyor.

Bireysel "Tarifler"

Ana zorluklardan biri, taramalı tünelleme mikroskobunun tek tek molekülleri ileri geri hareket ettirebilmesi için gereken bireysel "tarifler"dir. Bunlar, mikroskobun ucunun molekülleri uzamsal olarak ve hedeflenmiş bir şekilde düzenleyebilmesi için gereklidir.

Sözde tarif, nano ölçekteki mekaniğin karmaşık doğasından dolayı sezgiyle hesaplanamaz veya çıkarsanamaz. Mikroskobun çalışma şekli, moleküllerin hafifçe yapıştığı uçta sert bir koniye sahip olmaktır. Bu moleküllerin hareket edebilmesi için karmaşık hareket modelleri gereklidir. 

Prof. Dr. Stefan Tautz, Jülich'teki Kuantum Nanobilim Enstitüsü'nün başkanıdır.

"Bugüne kadar, moleküllerin bu tür hedefli hareketi, deneme yanılma yoluyla yalnızca elle mümkün olmuştur. Ancak kendi kendine öğrenen, otonom bir yazılım kontrol sisteminin yardımıyla, şimdi ilk kez bu çeşitlilik ve değişkenlik için nano ölçekte bir çözüm bulmayı ve bu süreci otomatikleştirmeyi başardık," diyor Tautz. 

Takviye Öğrenme

Bu gelişimin temel yönlerinden biri, algoritmanın bir görevi tekrar tekrar denemesini ve her denemeden öğrenmesini içeren bir tür makine öğrenimi olan takviyeli öğrenmedir. 

Prof. Dr. Klaus-Robert Müller, TU Berlin'de Makine Öğrenimi bölümünün başkanıdır.

"Yazılım aracısı için bir çözüm yolu önermiyoruz, bunun yerine başarıyı ödüllendiriyor ve başarısızlığı cezalandırıyoruz" diyor.

"Bizim durumumuzda, ajana, karmaşık bir kimyasal bağ ağı tarafından tutuldukları bir katmandan tek tek molekülleri çıkarma görevi verildi. Kesin olmak gerekirse, bunlar boyalarda ve organik ışık yayan diyotlarda kullanılanlar gibi perilen molekülleriydi” diye ekliyor Dr. Christian Wagner. 

Molekülleri hareket ettirmek için gereken kuvvetin, tünelleme mikroskobunun molekülü çektiği bağın gücünü aşamadığı kilit bir nokta vardır.

Wagner, "Bu nedenle mikroskop ucunun, daha önce kelimenin tam anlamıyla elle keşfetmemiz gereken özel bir hareket modeli yürütmesi gerekiyor" diyor. 

Takviyeli öğrenme, yazılım aracısı hangi hareketlerin çalıştığını öğrenirken kullanılır ve her seferinde gelişmeye devam eder.

Ancak taramalı tünelleme mikroskobunun ucu yer değiştirebilen metal atomlarından oluşur ve bu da molekülün bağ gücünü değiştirir.

“Her yeni girişim, değişiklik riskini ve dolayısıyla uç ile molekül arasındaki bağın kırılmasını daha da artırıyor. Bu nedenle yazılım aracısı, deneyimleri her an geçerliliğini yitirebileceği için özellikle hızlı bir şekilde öğrenmek zorunda kalıyor” diyor Prof. Dr. Stefan Tautz. "Sanki yol ağı, trafik kuralları, kaporta ve araçları kullanma kuralları, otonom sürüş sırasında sürekli değişiyor gibi." 

Bunu aşmak için araştırmacılar, yazılımı, manipülasyonun ilk döngülere paralel olarak gerçekleştiği ortamın basit bir modelini öğrenecek şekilde geliştirdiler. Aracı, öğrenme sürecini hızlandırmak için eş zamanlı olarak gerçekte ve kendi modelinde eğitim alır.

Klaus-Robert Müller, "Yapay zeka ile nanoteknolojiyi ilk kez bir araya getirmeyi başardık" diyor. 

Tautz, "Şimdiye kadar bu yalnızca bir 'ilke kanıtı'ydı" diye devam ediyor. "Ancak, çalışmamızın, moleküler transistörler, bellek hücreleri veya quibit'ler gibi işlevsel çok moleküllü yapıların robot destekli otomatik yapımının önünü açacağından eminiz - olandan çok daha fazla bir hız, hassasiyet ve güvenilirlikle şu anda mümkün.”