Moleculen zijn de bouwstenen van het dagelijks leven. Er zijn veel materialen uit samengesteld, een beetje zoals een LEGO-model bestaat uit een veelheid aan verschillende stenen. Maar terwijl individuele LEGO-stenen eenvoudig kunnen worden verschoven of verwijderd, dat is niet zo eenvoudig in de nanowereld. Atomen en moleculen gedragen zich heel anders dan macroscopische objecten en elke steen heeft zijn eigen 'handleiding'. Wetenschappers uit Jülich en Berlijn hebben nu een artificieel intelligentiesysteem ontwikkeld dat autonoom leert hoe afzonderlijke moleculen te grijpen en te verplaatsen met behulp van een scanning tunneling microscoop. De methode, die is gepubliceerd in wetenschappelijke vooruitgang , is niet alleen relevant voor onderzoek, maar ook voor nieuwe productietechnologieën zoals moleculair 3D-printen.

Snelle prototyping, de snelle en kosteneffectieve productie van prototypes of modellen - beter bekend als 3D-printen - is al lang een belangrijk hulpmiddel voor de industrie. "Als dit concept zou kunnen worden overgebracht naar de nanoschaal om individuele moleculen specifiek in elkaar te zetten of weer te scheiden, net als LEGO-stenen, de mogelijkheden zouden bijna eindeloos zijn, aangezien er ongeveer 1060 soorten moleculen denkbaar zijn, " legt Dr. Christian Wagner uit, hoofd van de ERC-werkgroep over moleculaire manipulatie bij Forschungszentrum Jülich.

Er is één probleem, echter. Hoewel de scanning tunneling microscoop een handig hulpmiddel is om individuele moleculen heen en weer te schuiven, er is altijd een speciaal aangepast "recept" nodig om de punt van de microscoop te geleiden om moleculen gericht ruimtelijk te rangschikken. Dit recept is niet te berekenen, noch afgeleid door intuïtie - de mechanica op nanoschaal is gewoon te variabel en complex. Ten slotte, de punt van de microscoop is uiteindelijk geen flexibele grijper, maar eerder een stijve kegel. De moleculen hechten slechts licht aan de punt van de microscoop en kunnen alleen door uitgekiende bewegingspatronen op de juiste plaats worden gezet.

"Daten, een dergelijke gerichte beweging van moleculen was alleen mogelijk met de hand, door vallen en opstaan. Maar met behulp van een zelflerende autonoom softwarebesturingssysteem, we zijn er nu voor het eerst in geslaagd een oplossing te vinden voor deze diversiteit en variabiliteit op nanoschaal, en door dit proces te automatiseren, " zegt een opgetogen Prof. Dr. Stefan Tautz, hoofd van het Quantum Nanoscience-instituut van Jülich.

De sleutel tot deze ontwikkeling ligt in het zogenaamde versterkende leren, een bijzondere variant van machine learning. "We schrijven geen oplossingstraject voor de softwareagent voor, maar eerder succes belonen en falen bestraffen, " legt prof. dr. Klaus-Robert Müller uit, hoofd van de afdeling Machine Learning aan de TU Berlijn. 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 versterkend leren via AlphaGo Zero. Dit kunstmatige intelligentiesysteem ontwikkelde autonoom strategieën om het zeer complexe spel Go te winnen zonder menselijke spelers te bestuderen - en na slechts een paar dagen, het was in staat om professionele Go-spelers te verslaan.

"In ons geval, het middel kreeg de taak om individuele moleculen te verwijderen uit een laag waarin ze worden vastgehouden door een complex netwerk van chemische bindingen. Precies zijn, dit waren peryleenmoleculen, zoals die gebruikt worden in kleurstoffen en organische lichtemitterende diodes, " legt Dr. Christian Wagner uit. De speciale uitdaging hier 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, omdat deze band anders zou breken. "De punt van de microscoop moet daarom een ​​speciaal bewegingspatroon uitvoeren, die we voorheen met de hand moesten ontdekken, vrij letterlijk, " Wagner voegt toe. Terwijl de softwareagent aanvankelijk volledig willekeurige bewegingsacties uitvoert die de binding tussen de punt van de microscoop en het molecuul verbreken, in de loop van de tijd ontwikkelt het regels over welke beweging het meest veelbelovend is voor succes in welke situatie en wordt daarom met elke cyclus beter.

Echter, het gebruik van versterkend leren in het nanoscopische bereik brengt extra uitdagingen met zich mee. De metaalatomen waaruit de punt van de scanning tunneling microscoop bestaat, kunnen uiteindelijk enigszins verschuiven, die elke keer de bindingssterkte aan het molecuul verandert. "Elke nieuwe poging maakt het risico op een verandering en dus de breuk van de binding tussen tip en molecuul groter. De software-agent is daarom gedwongen om bijzonder snel te leren, aangezien zijn ervaringen op elk moment achterhaald kunnen worden, "Prof. Dr. Stefan Tautz legt uit. "Het is een beetje alsof het wegennet, verkeersregels, carrosserie, en regels voor het besturen van het voertuig veranderen voortdurend 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 initiële cycli plaatsvindt. De agent traint vervolgens beide in werkelijkheid en in zijn eigen model, waardoor het leerproces aanzienlijk wordt versneld.

"Dit is de eerste keer dat we erin zijn geslaagd kunstmatige intelligentie en nanotechnologie samen te brengen, " benadrukt Klaus-Robert Müller. "Tot nu toe, dit is slechts een 'proof of principle' geweest, Tautz voegt eraan toe. we zijn ervan overtuigd dat ons werk de weg zal effenen voor de robot-geassisteerde geautomatiseerde constructie van functionele supramoleculaire structuren, zoals moleculaire transistoren, geheugencellen, of qubits - met een snelheid, precisie, en betrouwbaarheid ver boven wat momenteel mogelijk is."