Científicos de Jülich y Berlín han desarrollado un sistema de inteligencia artificial que es capaz de aprender de forma autónoma cómo mover moléculas individuales mediante el uso de un microscopio de efecto túnel. Debido a que los átomos y las moléculas no actúan como objetos macroscópicos, cada uno de estos bloques de construcción necesita su propio sistema para moverse.
El nuevo método, que los científicos creen que puede usarse para tecnologías de investigación y producción como la impresión 3D molecular, se publicó en Avances de la ciencia.
Impresión 3d
La creación rápida de prototipos, más comúnmente conocida como impresión 3D, es extremadamente rentable cuando se trata de crear prototipos o modelos. Ha ido aumentando en importancia a lo largo de los años a medida que la tecnología ha mejorado constantemente, y ahora es una herramienta importante utilizada por la industria.
El Dr. Christian Wagner es el jefe del grupo de trabajo del ERC sobre manipulación molecular en Forschungszentrum Jülich.
«Si este concepto pudiera transferirse a la nanoescala para permitir que las moléculas individuales se junten o se separen específicamente como si fueran ladrillos LEGO, las posibilidades serían casi infinitas, dado que hay alrededor de 1060 tipos concebibles de manipulación molecular en el Forschungszentrum Jülich». dice Wagner.
“Recetas” individuales
Uno de los principales desafíos son las «recetas» individuales necesarias para que el microscopio de efecto túnel mueva moléculas individuales de un lado a otro. Estos son necesarios para que la punta del microscopio pueda organizar las moléculas espacialmente y de manera específica.
La llamada receta no se puede calcular ni deducir por intuición, lo que se debe a la naturaleza compleja de la mecánica a nanoescala. La forma en que funciona el microscopio es con un cono rígido en la punta, al que se adhieren ligeramente las moléculas. Para que esas moléculas se muevan, se requieren patrones de movimiento complejos.
El Prof. Dr. Stefan Tautz es director del Instituto de Nanociencia Cuántica de Jülich.
“Hasta la fecha, este movimiento dirigido de moléculas solo ha sido posible a mano, a través de prueba y error. Pero con la ayuda de un sistema de control de software autónomo y de autoaprendizaje, ahora hemos tenido éxito por primera vez en encontrar una solución para esta diversidad y variabilidad en la nanoescala, y en automatizar este proceso”, dice Tautz.
Aprendizaje reforzado
Uno de los aspectos fundamentales de este desarrollo es el aprendizaje por refuerzo, que es un tipo de aprendizaje automático en el que el algoritmo intenta repetidamente una tarea y aprende de cada intento.
El Prof. Dr. Klaus-Robert Müller es jefe del departamento de Machine Learning en TU Berlin.
“No prescribimos un camino de solución para el agente de software, sino que recompensamos el éxito y penalizamos el fracaso”, dice.
“En nuestro caso, al agente se le asignó la tarea de eliminar moléculas individuales de una capa en la que están retenidas por una red compleja de enlaces químicos. Para ser precisos, se trataba de moléculas de perileno, como las que se utilizan en tintes y diodos orgánicos emisores de luz”, añade el Dr. Christian Wagner.
Hay un punto clave en el que la fuerza requerida para mover las moléculas no puede exceder la fuerza del enlace donde el microscopio de efecto túnel atrae la molécula.
“Por lo tanto, la punta del microscopio tiene que ejecutar un patrón de movimiento especial, que antes teníamos que descubrir a mano, literalmente”, dice Wagner.
El aprendizaje por refuerzo se utiliza mientras el agente de software aprende qué movimientos funcionan y continúa mejorando cada vez.
Sin embargo, la punta del microscopio de efecto túnel consiste en átomos de metal, que pueden cambiar, y esto cambia la fuerza de enlace de la molécula.
“Cada nuevo intento aumenta el riesgo de un cambio y por lo tanto la ruptura del vínculo entre la punta y la molécula. Por lo tanto, el agente de software se ve obligado a aprender particularmente rápido, ya que sus experiencias pueden volverse obsoletas en cualquier momento”, dice el Prof. Dr. Stefan Tautz. «Es un poco como si la red de carreteras, las leyes de tránsito, la carrocería y las reglas para operar los vehículos cambiaran constantemente mientras se conduce de forma autónoma».
Para superar esto, los investigadores desarrollaron el software para que aprenda un modelo simple del entorno donde ocurre la manipulación en paralelo con los ciclos iniciales. Para acelerar el proceso de aprendizaje, el agente se entrena simultáneamente en la realidad y en su propio modelo.
“Esta es la primera vez que logramos unir la inteligencia artificial y la nanotecnología”, dice Klaus-Robert Müller.
“Hasta ahora, esto solo ha sido una ‘prueba de principio’”, continúa Tautz. “Sin embargo, confiamos en que nuestro trabajo allanará el camino para la construcción automatizada asistida por robot de estructuras supramoleculares funcionales, como transistores moleculares, celdas de memoria o quibits, con una velocidad, precisión y confiabilidad muy por encima de lo que es. actualmente posible.”