Hệ Thống Trí Tuệ Nhân Tạo Có Khả Năng Di Chuyển Các Phân Tử Cá Nhân

Các nhà khoa học từ Jülich và Berlin đã phát triển một hệ thống trí tuệ nhân tạo có khả năng tự học cách di chuyển các phân tử cá nhân thông qua việc sử dụng một kính hiển vi quét đường hầm. Vì các nguyên tử và phân tử không hoạt động như các vật thể vĩ mô, mỗi một trong số chúng cần có một hệ thống riêng để di chuyển.

Phương pháp mới, mà các nhà khoa học tin rằng có thể được sử dụng cho nghiên cứu và công nghệ sản xuất như in 3D phân tử, đã được công bố trên Science Advances.

In 3D

Sản xuất mẫu nhanh, thường được gọi là in 3D, cực kỳ tiết kiệm chi phí khi tạo ra các mẫu hoặc mô hình. Nó đã trở nên quan trọng hơn trong những năm qua khi công nghệ liên tục được cải tiến, và hiện nó là một công cụ chính được sử dụng trong ngành công nghiệp.

Tiến sĩ Christian Wagner là trưởng nhóm làm việc về điều khiển phân tử tại Forschungszentrum Jülich.

“Nếu khái niệm này có thể được chuyển sang quy mô nano để cho phép các phân tử cá nhân được lắp ráp hoặc tách rời lại giống như các viên gạch LEGO, thì khả năng sẽ gần như vô tận, với khoảng 1060 loại điều khiển phân tử có thể tại Forschungszentrum Jülich,” Wagner nói.

Công Thức Cá Nhân

Một trong những thách thức chính là các “công thức” cá nhân cần thiết để kính hiển vi quét đường hầm di chuyển các phân tử cá nhân tới lui. Những công thức này cần thiết để đầu kính hiển vi có thể sắp xếp các phân tử không gian và theo cách mục tiêu.

Công thức được gọi là “công thức” không thể được tính toán hoặc suy luận bằng trực giác, điều này là do tính chất phức tạp của cơ học trên quy mô nano. Cách kính hiển vi hoạt động là có một hình nón cứng ở đầu, mà các phân tử dính vào nhẹ. Để những phân tử đó di chuyển, các mẫu di chuyển phức tạp là cần thiết.

Giáo sư Tiến sĩ Stefan Tautz là trưởng Viện Khoa học Nano Quantum tại Jülich.

“Cho đến nay, việc di chuyển các phân tử theo cách mục tiêu chỉ có thể thực hiện được bằng tay, thông qua thử nghiệm và sai lầm. Nhưng với sự giúp đỡ của một hệ thống điều khiển phần mềm tự học, tự động, chúng tôi đã thành công trong việc tìm ra giải pháp cho sự đa dạng và biến đổi này trên quy mô nano, và tự động hóa quá trình này,” Tautz nói.

Học Cứng Cường

Một trong những khía cạnh cơ bản của sự phát triển này là học cứng cường, một loại học máy liên quan đến việc thuật toán lặp lại một nhiệm vụ và học từ mỗi lần thử.

Giáo sư Tiến sĩ Klaus-Robert Müller là trưởng Bộ phận Học Máy tại TU Berlin.

“Chúng tôi không quy định một con đường giải quyết cho phần mềm đại lý, mà thay vào đó là phần thưởng cho thành công và phạt cho thất bại,” ông nói.

“Trong trường hợp của chúng tôi, đại lý được giao nhiệm vụ loại bỏ các phân tử cá nhân khỏi một lớp mà chúng được giữ bởi một mạng lưới liên kết hóa học phức tạp. Cụ thể, những phân tử này là perylene, như được sử dụng trong thuốc nhuộm và đèn LED hữu cơ,” Tiến sĩ Christian Wagner thêm.

Có một điểm quan trọng mà lực cần thiết để di chuyển các phân tử không thể vượt quá độ bền của liên kết nơi kính hiển vi đường hầm thu hút phân tử.

“Đầu kính hiển vi phải thực hiện một mẫu di chuyển đặc biệt, mà trước đây chúng tôi phải khám phá bằng tay, theo nghĩa đen,” Wagner nói.

Học cứng cường được sử dụng trong khi phần mềm đại lý học những chuyển động nào hoạt động, và nó tiếp tục cải thiện mỗi lần.

Tuy nhiên, đầu kính hiển vi quét đường hầm bao gồm các nguyên tử kim loại, có thể thay đổi, và điều này thay đổi độ bền của liên kết phân tử.

“Mỗi lần thử mới làm tăng rủi ro thay đổi và do đó làm tăng khả năng gãy liên kết giữa đầu kính hiển vi và phân tử. Do đó, phần mềm đại lý buộc phải học nhanh, vì kinh nghiệm của nó có thể trở nên lỗi thời tại bất kỳ thời điểm nào,” Giáo sư Tiến sĩ Stefan Tautz nói. “Điều này giống như khi lái xe tự động, trong khi mạng lưới đường, luật giao thông, thân xe và quy tắc vận hành luôn thay đổi.”

Để vượt qua điều này, các nhà nghiên cứu đã phát triển phần mềm để nó học một mô hình môi trường đơn giản nơi điều khiển xảy ra song song với các chu kỳ ban đầu. Để tăng tốc quá trình học, đại lý đồng thời được đào tạo trong thực tế và trong mô hình của nó.

“Đây là lần đầu tiên chúng tôi đã thành công trong việc kết hợp trí tuệ nhân tạo và công nghệ nano,” Klaus-Robert Müller nói.

“Cho đến nay, điều này chỉ là một ‘bằng chứng về nguyên tắc,’” Tautz tiếp tục. “Tuy nhiên, chúng tôi tin rằng công việc của chúng tôi sẽ mở đường cho việc xây dựng tự động các cấu trúc siêu phân tử chức năng, như transistor phân tử, tế bào nhớ, hoặc qubit — với tốc độ, độ chính xác và độ tin cậy vượt trội so với những gì hiện có.”

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