Автономная система искусственного интеллекта играет с NanoLEGO

Автономная система искусственного интеллекта играет с NanoLEGO

]

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 3D-печать.

Быстрое прототипирование, быстрое и экономичное производство прототипов или моделей – более известное как 3D-печать – давно зарекомендовало себя как важный инструмент в промышленности. «Если бы эту концепцию можно было перенести на наномасштаб, чтобы отдельные молекулы можно было целенаправленно соединять или снова разделять, как кирпичи LEGO, возможности были бы почти безграничными, учитывая, что существует около 1060 возможных типов молекул» объясняет доктор Кристиан Вагнер, глава 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 возможно только вручную, методом проб и ошибок. Но с помощью самообучающейся автономной системы программного управления мы впервые добились успеха. в поиске решения для этого разнообразия и изменчивости на наномасштабе и в автоматизации этого процесса », говорит восхищенный профессор доктор Стефан Таутц, глава Института квантовой нанонауки Юлиха.

Ключ к этому развитию лежит в так называемом обучении с подкреплением, особом варианте машинного обучения. «Мы не предписываем путь решения для программного агента, а скорее вознаграждаем за успех и наказываем неудачу», – поясняет профессор доктор 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 самостоятельно 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, такие как используемые в красителях и органических светодиодах », – поясняет доктор Кристиан Вагнер . Особая проблема здесь состоит в том, что сила, необходимая для их перемещения, никогда не должна превышать прочность связи, с которой острие сканирующего туннельного микроскопа притягивает молекулу, поскольку в противном случае эта связь разорвалась бы. «Следовательно, наконечник микроскопа должен выполнять особую схему движения, которую нам раньше приходилось в буквальном смысле обнаруживать вручную», – добавляет Вагнер. В то время как программный агент первоначально выполняет полностью случайные движения, которые разрывают связь между кончиком микроскопа и молекулой, со временем он вырабатывает правила, определяющие, какое движение является наиболее перспективным для успеха в той или иной ситуации и, следовательно, с каждым циклом становится лучше.

Однако использование обучения с подкреплением в наноскопическом диапазоне создает дополнительные проблемы. Атомы металла, составляющие острие сканирующего туннельного микроскопа, могут немного 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» Проф. Доктор Стефан Тауц объясняет. «Это немного похоже на то, как если бы дорожная сеть, правила дорожного движения, кузовные работы и правила эксплуатации транспортного средства постоянно менялись при автономном движении. » Исследователи преодолели эту проблему, заставив программное обеспечение изучить простую модель среда, в которой манипуляции происходят параллельно с начальными циклами. Затем агент одновременно тренируется как в реальности, так и в своей собственной модели, что значительно ускоряет процесс обучения.

«Нам впервые 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 превышающей того, что в настоящее время возможно ».

Источник: http://www.fz-juelich.de/[19459010visible

Source link