Wetenschappers uit Jülich en Berlijn hebben een kunstmatig intelligentiesysteem ontwikkeld dat autonoom leert hoe ze individuele moleculen kunnen vastgrijpen en verplaatsen met behulp van een scanning tunneling microscoop. De methode, die is gepubliceerd in Science Advances, is niet alleen relevant voor onderzoek, maar ook voor nieuwe productietechnologieën zoals moleculair 3D-printen. “Dit is de eerste keer dat we erin zijn geslaagd kunstmatige intelligentie en nanotechnologie samen te brengen”
Moleculen zijn de bouwstenen van het dagelijks leven. Veel materialen zijn daaruit samengesteld, een beetje zoals een LEGO-model uit een veelvoud aan verschillende stenen bestaat. Maar hoewel individuele LEGO-stenen eenvoudig kunnen worden verschoven of verwijderd, is dit in de nanowereld niet zo eenvoudig. Atomen en moleculen gedragen zich op een heel andere manier dan macroscopische objecten en elke steen heeft zijn eigen “handleiding” nodig.
Nanoschaal
Snelle prototyping, de snelle en kosteneffectieve productie van prototypes of modellen – beter bekend als 3D-printen – heeft zich allang bewezen als een belangrijk hulpmiddel voor de industrie. “Als dit concept zou kunnen worden overgebracht naar de nanoschaal om individuele moleculen specifiek samen te stellen of weer te scheiden, net als LEGO-stenen, dan zouden de mogelijkheden bijna eindeloos zijn, aangezien er ongeveer 1060 denkbare soorten moleculen zijn”, legt Dr. Christian uit. Wagner, hoofd van de ERC-werkgroep voor moleculaire manipulatie bij Forschungszentrum Jülich.
Complex
Er is echter een probleem. Hoewel de scanning tunneling microscoop een handig hulpmiddel is om individuele moleculen heen en weer te schuiven, is er altijd een speciaal aangepast “recept” nodig om de punt van de microscoop te geleiden om moleculen gericht ruimtelijk in te delen. Dit recept kan noch berekend, noch door intuïtie afgeleid worden – de mechanica op nanoschaal is simpelweg te variabel en complex. De punt van de microscoop is immers uiteindelijk geen flexibele grijper, maar eerder een stijve kegel. De moleculen hechten zich slechts lichtjes aan de punt van de microscoop en kunnen alleen door uitgekiende bewegingspatronen op de juiste plaats worden gezet.
Zelflerend systeem
“Tot nu toe was zo’n gerichte beweging van moleculen alleen mogelijk met de hand, met vallen en opstaan. Maar met behulp van een zelflerend, autonoom softwarebesturingssysteem zijn we er nu voor het eerst in geslaagd hier een oplossing voor te vinden. diversiteit en variabiliteit op nanoschaal, en bij het automatiseren van dit proces ”, zegt een opgetogen prof. dr. Stefan Tautz, hoofd van het Quantum Nanoscience-instituut van Jülich.
Reinforcement learning
De sleutel tot deze ontwikkeling ligt in het zogenaamde reinforcement learning, een bijzondere variant van machine learning. “We schrijven geen oplossingstraject voor de softwareagent voor, maar belonen succes en bestraffen mislukking”, legt prof. Dr. Klaus-Robert Müller, hoofd van de afdeling Machine Learning aan de TU Berlijn, uit. Het algoritme probeert herhaaldelijk de taak op te lossen en leert van zijn ervaringen. Het grote publiek werd een paar jaar geleden voor het eerst bewust van het leren van bekrachtiging via AlphaGo Zero. Dit kunstmatige-intelligentiesysteem ontwikkelde autonoom strategieën om het zeer complexe Go-spel te winnen zonder menselijke spelers te bestuderen – en na slechts een paar dagen was het in staat om professionele Go-spelers te verslaan.
Uitdaging
“In ons geval kreeg het middel de taak om individuele moleculen te verwijderen uit een laag waarin ze worden vastgehouden door een complex netwerk van chemische bindingen. Om precies te zijn, dit waren peryleenmoleculen, zoals die worden gebruikt in kleurstoffen en organisch licht. diodes uitzenden, ”legt dr. Christian Wagner uit. De bijzondere uitdaging hierbij is dat de kracht die nodig is om ze te verplaatsen nooit groter mag zijn dan de sterkte van de binding waarmee de punt van de scanning tunneling microscoop het molecuul aantrekt, aangezien deze binding anders zou breken.
Bewegingspatroon
“De microscooppunt moet daarom een speciaal bewegingspatroon uitvoeren, dat we voorheen letterlijk met de hand moesten ontdekken”, voegt Wagner toe. Terwijl de softwareagent aanvankelijk volledig willekeurige bewegingsacties uitvoert die de binding tussen de punt van de microscoop en het molecuul verbreken, ontwikkelt het na verloop van tijd regels over welke beweging het meest veelbelovend is voor succes in welke situatie en wordt daarom beter met elke cyclus.
Metaalatomen
Het gebruik van reinforcement learning in het nanoscopische bereik brengt echter extra uitdagingen met zich mee. De metaalatomen die de punt van de scanning tunneling microscoop vormen, kunnen uiteindelijk een beetje verschuiven, waardoor de bindingssterkte met het molecuul elke keer verandert. “Elke nieuwe poging maakt het risico van een verandering en dus het verbreken van de band tussen punt en molecuul groter. De softwareagent moet daarom bijzonder snel leren, aangezien zijn ervaringen op elk moment achterhaald kunnen worden”, zegt Prof. Dr. Stefan Tautz legt uit.
Wegennet
“Het is een beetje alsof het wegennet, de verkeersregels, de carrosserie en de regels voor het besturen van het voertuig voortdurend veranderen tijdens het autonoom rijden.” De onderzoekers hebben deze uitdaging overwonnen door de software een eenvoudig model te laten leren van de omgeving waarin de manipulatie parallel met de eerste cycli plaatsvindt. De agent traint dan tegelijkertijd zowel in de werkelijkheid als in zijn eigen model, wat het leerproces aanzienlijk versnelt.
AI en nanotechnologie
“Dit is de eerste keer dat we erin zijn geslaagd kunstmatige intelligentie en nanotechnologie samen te brengen”, benadrukt Klaus-Robert Müller. “Tot nu toe was dit slechts een ‘proof of principle'”, voegt Tautz toe. “ We zijn er echter van overtuigd dat ons werk de weg zal banen voor de door robots ondersteunde geautomatiseerde constructie van functionele supramoleculaire structuren, zoals moleculaire transistors, geheugencellen of qubits – met een snelheid, precisie en betrouwbaarheid die veel groter is dan wat is momenteel mogelijk. ”
Beeld: Forschungszentrum Jülich / Christian Wagner
