Штучна система інтелекту, здатна рухати окремі молекули

Учені з Юліха та Берліна розробили штучну систему інтелекту, яка здатна автономно вивчати, як рухати окремі молекули за допомогою скануючої тунельної мікроскопії. Через те, що атоми та молекули не поводяться як макроскопічні об’єкти, кожен з цих будівельних блоків потребує власної системи для руху.

Новий метод, який вчені вважають можливим для використання в дослідженнях та виробничих технологіях, таких як молекулярне 3D-друк, був опублікований у Science Advances.

3D-друк

Швидке прототипування, більш відоме як 3D-друк, дуже економічне при створенні прототипів чи моделей. Воно набирає значення протягом років, оскільки технологія постійно покращується, і зараз це основний інструмент, який використовується в промисловості.

Доктор Християн Вагнер є керівником робочої групи з молекулярної маніпуляції в Forschungszentrum Jülich.

“Якщо цю концепцію можна перевести на нанорівень, щоб окремі молекули можна було скласти або розібрати, як Лего-кубики, можливості будуть майже безмежними, враховуючи, що існує близько 10^60 можливих типів молекулярної маніпуляції в Forschungszentrum Jülich”, каже Вагнер.

Індивідуальні “Рецепти”

Однією з основних проблем є індивідуальні “рецепти”, необхідні для того, щоб скануюча тунельна мікроскопія могла рухати окремі молекули туди й назад. Ці рецепти необхідні для того, щоб кінчик мікроскопа міг розташувати молекули просторово та цілеспрямовано.

Так званий рецепт не можна розрахувати чи вивести інтуїтивно, що пов’язано з складною природою механіки на нанорівні. Спосіб роботи мікроскопа полягає в тому, що на кінчику є жорсткий конус, до якого молекули слабо прикріплюються. Для того щоб ці молекули рухалися, необхідні складні рухові моделі.

Професор доктор Стфан Таутц є керівником Інституту квантової нанонауки в Юлісі.

“До цього часу таке цілеспрямоване рух молекул було можливим лише вручну, шляхом проб та помилок. Але з допомогою самонавчальної, автономної системи управління програмним забезпеченням, нам вперше вдалося знайти рішення для цієї різноманітності та змінності на нанорівні, і автоматизувати цей процес”, каже Таутц.

Залізо навчання

Одним з фундаментальних аспектів цього розвитку є залізо навчання, яке є типом машинного навчання, що включає в себе повторну спробу виконання завдання та навчання з кожної спроби.

Професор доктор Клаус-Роберт Мюллер є керівником відділу машинного навчання в Технічному університеті Берліна.

“Ми не вказуємо програмному агенту шлях рішення, а радше винагороджуємо успіх і караємо невдачу”, каже він.

“У нашому випадку агент отримав завдання видалити окремі молекули з шару, в якому вони утримуються складною мережею хімічних зв’язків. Точніше, це були молекули перилена, такі як ті, що використовуються в барвниках та органічних світлодіодах”, додає доктор Християн Вагнер.

Є ключовий момент, в якому сила, необхідна для руху молекул, не може перевищувати міцність зв’язку, де тунельна мікроскопія притягує молекулу.

“Кінчик мікроскопа повинен виконувати спеціальну рухову модель, яку раніше нам доводилося відкривати вручну, буквально”, каже Вагнер.

Залізо навчання використовується під час того, як програмне забезпечення агента вчиться, які рухи працюють, і продовжує покращуватися кожен раз.

Однак кінчик скануючої тунельної мікроскопії складається з металічних атомів, які можуть зміщуватися, і це змінює міцність зв’язку молекули.

“Кожна нова спроба збільшує ризик зміни та, відповідно, розриву зв’язку між кінчиком та молекулою. Програмне забезпечення агента тому змушене вчиться особливо швидко, оскільки його досвід може ставати застарілим в будь-який момент”, каже професор доктор Стфан Таутц. “Це трохи схоже на те, як дорога, правила руху, кузов та правила експлуатації транспортних засобів постійно змінюються під час автономного руху”.

Для того щоб подолати це, дослідники розробили програмне забезпечення так, щоб воно вивчало просту модель середовища, в якому відбувається маніпуляція, паралельно з початковими циклами. Для прискорення процесу навчання агент одночасно тренується в реальності та у своїй моделі.

“Це перший раз, коли нам вдалося об’єднати штучний інтелект та нанотехнології”, каже Клаус-Роберт Мюллер.

“До цього часу це було лише ‘доказом принципу’”, продовжує Таутц. “Однак ми впевнені, що наша робота прокладе шлях для роботизованого автоматизованого будівництва функціональних супрамолекулярних структур, таких як молекулярні транзистори, пам’яті чи кубіти, з швидкістю, точністю та надійністю, яка значно перевищує те, що зараз можливо”.

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