Молекулы – это строительные блоки повседневной жизни. Многие материалы состоят из них, как модель LEGO, состоящая из множества разных кирпичиков. Но хотя отдельные кубики LEGO можно просто перемещать или убирать, в наномире это не так просто. Атомы и молекулы ведут себя совершенно иначе, чем макроскопические объекты, и для каждого кирпича требуется свое «руководство по эксплуатации».
Ученые из Юлиха и Берлина разработали систему искусственного интеллекта, которая автономно учится захватывать и перемещать отдельные молекулы с помощью сканирующего туннельного микроскопа. Метод, опубликованный в Science Advances, актуален не только для исследований, но и для новых производственных технологий, таких как молекулярная трехмерная печать.
Быстрое прототипирование, быстрое и экономичное производство прототипов или моделей – более известное как трехмерная печать – давно зарекомендовало себя как важный инструмент в промышленности. «Если бы эту концепцию можно было перенести на наномасштаб, чтобы отдельные молекулы можно было соединить или разделить снова, как кубики LEGO, возможности были бы почти безграничными, учитывая, что существует около 1060 возможных типов молекул», – объясняет доктор Кристиан. Вагнер, руководитель рабочей группы ERC по молекулярным манипуляциям в Forschungszentrum Jülich.
Однако есть одна проблема. Хотя сканирующий туннельный микроскоп является полезным инструментом для перемещения отдельных молекул вперед и назад, всегда требуется специальный «рецепт» для того, чтобы направить кончик микроскопа, чтобы расположить молекулы пространственно целенаправленным образом. Этот рецепт нельзя ни рассчитать, ни вывести интуитивно – механика в наномасштабе слишком изменчива и сложна. В конце концов, наконечник микроскопа – это не гибкий захват, а жесткий конус. Молекулы просто слегка прилипают к наконечнику микроскопа и могут быть помещены в нужное место только с помощью сложных схем движения.
“На сегодняшний день такое целенаправленное движение молекул стало возможным только вручную, методом проб и ошибок. Но с помощью самообучающейся автономной системы программного управления нам впервые удалось найти решение этой проблемы. разнообразие и вариативность в наномасштабе, а также в автоматизации этого процесса», – говорит восхищенный профессор доктор Стефан Таутц, глава Института квантовой нанонауки Юлиха.
Перед искусственным интеллектом (ИИ) была поставлена задача удалить отдельные молекулы из закрытого молекулярного слоя. Сначала устанавливается связь между кончиком микроскопа (вверху) и молекулой (посередине). Затем AI пытается удалить молекулу, перемещая наконечник, не нарушая контакта. Изначально движения случайны. После каждого прохода ИИ учится на накопленном опыте и становится все лучше и лучше.
Ключ к этому развитию лежит в так называемом обучении с подкреплением, особом варианте машинного обучения. «Мы не прописываем путь решения для программного агента, а скорее вознаграждаем за успех и наказываем неудачи», – объясняет профессор д-р Клаус-Роберт Мюллер, руководитель отдела машинного обучения Берлинского технического университета. Алгоритм неоднократно пытается решить поставленную задачу и учится на собственном опыте. Широкая публика впервые узнала об обучении с подкреплением несколько лет назад через AlphaGo Zero. Эта система искусственного интеллекта автономно разрабатывала стратегии для победы в очень сложной игре Го без изучения игроков-людей – и всего через несколько дней она смогла победить профессиональных игроков в Го.
«В нашем случае перед агентом была поставлена задача удалить отдельные молекулы из слоя, в котором они удерживаются сложной сетью химических связей. Если быть точным, это были молекулы перилена.”, – поясняет доктор Кристиан Вагнер. Особая проблема заключается в том, что сила, необходимая для их перемещения, никогда не должна превышать силу связи, с которой острие сканирующего туннельного микроскопа притягивает молекулу, так как в противном случае эта связь разорвалась бы. “Следовательно, наконечник микроскопа должен выполнять особую схему движения, которую нам раньше приходилось обнаруживать вручную, в буквальном смысле”, – добавляет Вагнер. Хотя программный агент изначально выполняет совершенно случайные движения которые разрывают связь между наконечником микроскопа и молекулой, со временем он вырабатывает правила, определяющие, какое движение является наиболее многообещающим для успеха в той или иной ситуации, и поэтому с каждым циклом становится лучше.
Однако использование обучения с подкреплением в наноскопическом диапазоне сопряжено с дополнительными проблемами. Эти атомы металла которые составляют кончик сканирующего туннельного микроскопа, могут в конечном итоге слегка смещаться, что каждый раз изменяет прочность связи с молекулой. «Каждая новая попытка увеличивает риск изменения и, следовательно, разрыва связи между наконечником и молекулой. Поэтому программный агент вынужден учиться особенно быстро, поскольку его опыт может устареть в любое время», – сказал профессор доктор Стефан. Тауц объясняет – «Это немного похоже на то, как если бы дорожная сеть, правила дорожного движения, кузов и правила эксплуатации транспортного средства постоянно менялись при автономном движении». Исследователи преодолели эту проблему, заставив программу изучить простую модель среды, в которой манипуляции происходят параллельно с начальными циклами. Затем агент одновременно тренируется как в реальности, так и в своей собственной модели,
«Это первый раз, когда нам удалось объединить искусственный интеллект и нанотехнологии», – подчеркивает Клаус-Роберт Мюллер. «До сих пор это было только доказательством принципа», – добавляет Тауц. «Однако мы уверены, что наша работа проложит путь к автоматизированному созданию с помощью роботов функциональных супрамолекулярных структур, таких как молекулярные транзисторы, ячейки памяти или кубиты, – со скоростью, точностью и надежностью, намного превосходящей то, что есть в настоящее время возможно».
Источник: Forschungszentrum Juelich
Фото: Forschungszentrum Juelich