Штучний Інтелект
Система штучного інтелекту, здатна рухати окремі молекули
Вчені з Юліха та Берліна розробили систему штучного інтелекту, яка здатна автономно вчитися рухати окремі молекули за допомогою скануючого тунельного мікроскопа. Оскільки атоми та молекули не діють як макроскопічні об’єкти, кожному з цих будівельних блоків потрібна власна система для переміщення.
Новий метод, який, на думку вчених, можна використовувати для досліджень і виробничих технологій, таких як молекулярний 3D-друк, опубліковано в Наука розвивається.
3D Друк
Швидке створення прототипів, більш відоме як 3D-друк, є надзвичайно економічно ефективним, коли йдеться про створення прототипів або моделей. З роками його важливість зростає, оскільки технологія постійно вдосконалюється, і тепер це основний інструмент, який використовується промисловістю.
Доктор Крістіан Вагнер є головою робочої групи ERC з молекулярних маніпуляцій у Forschungszentrum Jülich.
«Якби цю концепцію можна було перенести на нанорозмір, щоб дозволити окремим молекулам спеціально з’єднувати або розділяти знову, як цеглинки LEGO, можливості були б майже безмежними, враховуючи, що в Forschungszentrum Jülich існує близько 1060 можливих типів молекулярних маніпуляцій», — каже Вагнер.
Індивідуальні «Рецепти»
Однією з головних проблем є індивідуальні «рецепти», необхідні для того, щоб скануючий тунельний мікроскоп міг рухати окремі молекули туди-сюди. Вони необхідні для того, щоб наконечник мікроскопа міг розташовувати молекули просторово та цілеспрямовано.
Так званий рецепт не можна розрахувати або вивести інтуїтивно, що пов’язано зі складною природою механіки нанорозміру. Мікроскоп працює за допомогою жорсткого конуса на кінчику, до якого злегка прилипають молекули. Для того, щоб ці молекули рухалися, потрібні складні схеми руху.
Професор, доктор Стефан Тауц, керівник Інституту квантової нанонауки в Юліху.
«На сьогодні такий цілеспрямований рух молекул можливий лише вручну, шляхом проб і помилок. Але за допомогою автономної системи програмного керування, що самонавчається, ми вперше змогли знайти рішення для цього розмаїття та мінливості на нанорозмірі та автоматизувати цей процес», — говорить Тауц.
Навчання зміцненню
Одним із фундаментальних аспектів цієї розробки є навчання з підкріпленням, яке є типом машинного навчання, яке передбачає повторне виконання алгоритмом завдання та навчання з кожної спроби.
Професор д-р Клаус-Роберт Мюллер є керівником відділу машинного навчання Берлінського ТУ.
«Ми не прописуємо шлях вирішення для програмного агента, а радше винагороджуємо успіх і караємо за невдачу», — говорить він.
«У нашому випадку агенту було поставлено завдання видалити окремі молекули з шару, в якому вони утримуються складною мережею хімічних зв’язків. Якщо бути точним, це були молекули перилену, такі як ті, що використовуються в барвниках і органічних світлодіодах», – додає доктор Крістіан Вагнер.
Існує ключовий момент, коли сила, необхідна для переміщення молекул, не може перевищувати силу зв’язку, де тунельний мікроскоп притягує молекулу.
«Тому наконечник мікроскопа повинен виконувати особливий шаблон руху, який раніше нам доводилося виявляти вручну, буквально», — говорить Вагнер.
Навчання з підкріпленням використовується, коли програмний агент вивчає, які рухи працюють, і щоразу продовжує вдосконалюватися.
Однак кінчик скануючого тунельного мікроскопа складається з атомів металу, які можуть зміщуватися, і це змінює міцність зв’язку молекули.
«Кожна нова спроба підвищує ризик зміни і, отже, розриву зв’язку між кінчиком і молекулою. Тому програмний агент змушений особливо швидко навчатися, оскільки його досвід може будь-коли застаріти», – каже професор, доктор Стефан Тауц. «Схоже, що дорожня мережа, правила дорожнього руху, кузов і правила експлуатації транспортних засобів постійно змінюються під час автономного водіння».
Щоб подолати це, дослідники розробили програмне забезпечення таким чином, щоб воно вивчало просту модель середовища, де маніпуляції відбуваються паралельно з початковими циклами. Щоб прискорити процес навчання, агент одночасно навчається в реальності та у власній моделі.
«Це перший випадок, коли нам вдалося поєднати штучний інтелект і нанотехнології», — каже Клаус-Роберт Мюллер.
«Досі це було лише «доказом принципу», — продовжує Тауц. «Однак ми впевнені, що наша робота прокладе шлях до автоматизованого конструювання за допомогою роботів функціональних супрамолекулярних структур, таких як молекулярні транзистори, комірки пам’яті або квібіти — зі швидкістю, точністю та надійністю, що набагато перевищує те, що є зараз можливо».
