Autonom robot leger med NanoLEGO

Molekyler er byggestenene i hverdagen. Mange materialer er sammensat af dem, lidt ligesom en LEGO model består af et væld af forskellige klodser. Men mens individuelle LEGO klodser ganske enkelt kan flyttes eller fjernes, det er ikke så let i nanoverdenen. Atomer og molekyler opfører sig på en helt anden måde end makroskopiske objekter, og hver mursten kræver sin egen 'brugsanvisning'. Forskere fra Jülich og Berlin har nu udviklet et kunstig intelligenssystem, der selvstændigt lærer at gribe og flytte individuelle molekyler ved hjælp af et scanningstunnelmikroskop. Metoden, som er udgivet i Videnskabens fremskridt , er ikke kun relevant for forskning, men også for nye produktionsteknologier såsom molekylær 3-D print.

Hurtig prototyping, den hurtige og omkostningseffektive produktion af prototyper eller modeller - bedre kendt som 3-D print - har for længst etableret sig som et vigtigt værktøj for industrien. "Hvis dette koncept kunne overføres til nanoskalaen for at tillade individuelle molekyler at blive specifikt sat sammen eller adskilt igen ligesom LEGO klodser, mulighederne ville være næsten uendelige, givet, at der er omkring 1060 tænkelige typer af molekyler, " forklarer Dr. Christian Wagner, leder af ERC-arbejdsgruppen om molekylær manipulation ved Forschungszentrum Jülich.

Der er et problem, imidlertid. Selvom scanningstunnelmikroskopet er et nyttigt værktøj til at flytte individuelle molekyler frem og tilbage, en speciel brugerdefineret "opskrift" er altid påkrævet for at guide spidsen af ​​mikroskopet til at arrangere molekyler rumligt på en målrettet måde. Denne opskrift kan heller ikke beregnes, heller ikke udledt af intuition - mekanikken på nanoskalaen er simpelthen for variabel og kompleks. Trods alt, spidsen af ​​mikroskopet er i sidste ende ikke en fleksibel griber, men snarere en stiv kegle. Molekylerne klæber kun let til mikroskopets spids og kan kun sættes på det rigtige sted gennem sofistikerede bevægelsesmønstre.

"Til dato, sådan målrettet bevægelse af molekyler har kun været mulig med håndkraft, gennem forsøg og fejl. Men ved hjælp af en selvlæring, autonomt software kontrolsystem, det er nu lykkedes for første gang at finde en løsning for denne mangfoldighed og variabilitet på nanoskalaen, og ved at automatisere denne proces, " siger en glad prof. dr. Stefan Tautz, leder af Jülichs Quantum Nanoscience institut.

Nøglen til denne udvikling ligger i såkaldt forstærkningslæring, en særlig variant af machine learning. "Vi foreskriver ikke en løsningsvej for softwareagenten, men snarere belønne succes og straffe fiasko, " forklarer prof. dr. Klaus-Robert Müller, leder af Machine Learning-afdelingen ved TU Berlin. Algoritmen forsøger gentagne gange at løse opgaven og lærer af sine erfaringer. Den brede offentlighed blev først opmærksom på forstærkende læring for et par år siden gennem AlphaGo Zero. Dette kunstige intelligenssystem udviklede selvstændigt strategier til at vinde det meget komplekse spil Go uden at studere menneskelige spillere – og efter blot et par dage, det var i stand til at slå professionelle Go-spillere.

"I vores tilfælde, midlet fik til opgave at fjerne individuelle molekyler fra et lag, hvori de holdes af et komplekst netværk af kemiske bindinger. For at være præcis, disse var perylenmolekyler, såsom dem, der anvendes i farvestoffer og organiske lysdioder, " forklarer Dr. Christian Wagner. Den særlige udfordring her er, at den kraft, der kræves for at flytte dem, aldrig må overstige styrken af ​​den binding, hvormed spidsen af ​​scanningstunnelmikroskopet tiltrækker molekylet, da dette bånd ellers ville bryde. "Mikroskopspidsen skal derfor udføre et særligt bevægelsesmønster, som vi tidligere skulle opdage i hånden, helt bogstaveligt, " tilføjer Wagner. Mens softwareagenten i starten udfører fuldstændig tilfældige bevægelseshandlinger, der bryder båndet mellem spidsen af ​​mikroskopet og molekylet, over tid udvikler den regler for, hvilken bevægelse der er den mest lovende for succes i hvilken situation og bliver derfor bedre for hver cyklus.

Imidlertid, brugen af ​​forstærkende læring i det nanoskopiske område bringer yderligere udfordringer med sig. Metalatomerne, der udgør spidsen af ​​scanningstunnelmikroskopet, kan ende med at forskyde sig lidt, som ændrer bindingsstyrken til molekylet hver gang. "Hvert nyt forsøg gør risikoen for en ændring og dermed brud på båndet mellem spids og molekyle større. Softwareagenten er derfor tvunget til at lære særligt hurtigt, da dets oplevelser til enhver tid kan blive forældede, Prof. Dr. Stefan Tautz forklarer. "Det er lidt som om, at vejnettet, færdselsloven, karrosseri, og reglerne for betjening af køretøjet ændrer sig konstant, mens de kører autonomt." Forskerne har overvundet denne udfordring ved at få softwaren til at lære en simpel model af miljøet, hvor manipulationen finder sted parallelt med de indledende cyklusser. Agenten træner derefter samtidig både i virkeligheden og i sin egen model, hvilket har den effekt at fremskynde læringsprocessen markant.

"Det er første gang nogensinde, at det er lykkedes os at samle kunstig intelligens og nanoteknologi, " understreger Klaus-Robert Müller. "Hidtil har dette har kun været et "principbevis", " tilføjer Tautz. "Men, vi er overbeviste om, at vores arbejde vil bane vejen for robotassisteret automatiseret konstruktion af funktionelle supramolekylære strukturer, såsom molekylære transistorer, hukommelsesceller, eller qubits - med en hastighed, præcision, og pålidelighed langt over, hvad der er muligt i øjeblikket."