Molekyler är byggstenarna i vardagen. Många material är sammansatta av dem, lite som en LEGO-modell består av en mängd olika klossar. Men medan enskilda LEGO-klossar helt enkelt kan flyttas eller tas bort, det här är inte så lätt i nanovärlden. Atomer och molekyler beter sig på ett helt annat sätt än makroskopiska objekt och varje tegelsten kräver sin egen "instruktionsmanual". Forskare från Jülich och Berlin har nu utvecklat ett artificiellt intelligenssystem som självständigt lär sig hur man greppar och flyttar enskilda molekyler med hjälp av ett skanningstunnelmikroskop. Metoden, som har publicerats i Vetenskapens framsteg , är inte bara relevant för forskning utan också för nya produktionsteknologier som molekylär 3-D-utskrift.

Snabb prototypframställning, den snabba och kostnadseffektiva produktionen av prototyper eller modeller – mer känd som 3-D-utskrift – har sedan länge etablerat sig som ett viktigt verktyg för industrin. "Om detta koncept kunde överföras till nanoskalan för att tillåta individuella molekyler att specifikt sättas ihop eller separeras igen precis som LEGO-klossar, möjligheterna skulle vara nästan oändliga, med tanke på att det finns omkring 1060 tänkbara typer av molekyler, " förklarar Dr Christian Wagner, chef för ERC:s arbetsgrupp för molekylär manipulation vid Forschungszentrum Jülich.

Det finns ett problem, dock. Även om scanningstunnelmikroskopet är ett användbart verktyg för att flytta enskilda molekyler fram och tillbaka, ett speciellt anpassat "recept" krävs alltid för att styra spetsen av mikroskopet att arrangera molekyler rumsligt på ett målinriktat sätt. Detta recept kan inte heller beräknas, inte heller härledd av intuition – mekaniken på nanoskalan är helt enkelt för varierande och komplex. Trots allt, spetsen på mikroskopet är i slutändan inte en flexibel gripare, utan snarare en stel kon. Molekylerna fäster endast lätt vid mikroskopspetsen och kan endast placeras på rätt plats genom sofistikerade rörelsemönster.

"Hittills, sådan riktad rörelse av molekyler har bara varit möjlig för hand, genom försök och misstag. Men med hjälp av en självinlärning, autonomt mjukvarukontrollsystem, vi har nu för första gången lyckats hitta en lösning för denna mångfald och variation på nanoskala, och för att automatisera denna process, säger en förtjust prof. dr. Stefan Tautz, chef för Jülichs Quantum Nanoscience-institut.

Nyckeln till denna utveckling ligger i så kallat förstärkningsinlärning, en speciell variant av maskininlärning. "Vi föreskriver inte en lösningsväg för programvaruagenten, utan hellre belöna framgång och bestraffa misslyckanden, " förklarar Prof. Dr. Klaus-Robert Müller, chef för maskininlärningsavdelningen vid TU Berlin. Algoritmen försöker upprepade gånger lösa uppgiften och lär sig av sina erfarenheter. Allmänheten blev först medveten om förstärkningsinlärning för några år sedan genom AlphaGo Zero. Detta artificiella intelligenssystem utvecklade autonomt strategier för att vinna det mycket komplexa spelet Go utan att studera mänskliga spelare – och efter bara några dagar, det kunde slå professionella Go-spelare.

"I vårat fall, medlet fick i uppgift att ta bort enskilda molekyler från ett lager där de hålls av ett komplext nätverk av kemiska bindningar. Att vara precis, dessa var perylenmolekyler, som de som används i färgämnen och organiska lysdioder, " förklarar Dr. Christian Wagner. Den speciella utmaningen här är att kraften som krävs för att förflytta dem aldrig får överstiga styrkan hos den bindning med vilken spetsen på det skanande tunnelmikroskopet attraherar molekylen, eftersom detta band annars skulle bryta. "Mikroskopspetsen måste därför utföra ett speciellt rörelsemönster, som vi tidigare var tvungna att upptäcka för hand, ganska bokstavligt, ", tillägger Wagner. Medan mjukvaruagenten initialt utför helt slumpmässiga rörelsehandlingar som bryter bandet mellan spetsen på mikroskopet och molekylen, med tiden utvecklar den regler för vilken rörelse som är mest lovande för framgång i vilken situation och blir därför bättre för varje cykel.

Dock, Användningen av förstärkningsinlärning inom det nanoskopiska området för med sig ytterligare utmaningar. Metallatomerna som utgör spetsen av skanningstunnelmikroskopet kan sluta förskjutas något, vilket ändrar bindningsstyrkan till molekylen varje gång. "Varje nytt försök gör risken för en förändring och därmed brytningen av bandet mellan spets och molekyl större. Programvaruagenten tvingas därför lära sig särskilt snabbt, eftersom dess erfarenheter kan bli föråldrade när som helst, " Prof. Dr. Stefan Tautz förklarar. "Det är lite som om vägnätet, trafiklagar, kaross, och reglerna för att köra fordonet förändras ständigt när man kör autonomt." Forskarna har övervunnit denna utmaning genom att få programvaran att lära sig en enkel modell av miljön där manipulationen sker parallellt med de inledande cyklerna. Agenten tränar sedan samtidigt både i verkligheten och i sin egen modell, vilket har effekten att avsevärt påskynda inlärningsprocessen.

"Det här är första gången någonsin som vi har lyckats föra samman artificiell intelligens och nanoteknik, " betonar Klaus-Robert Müller. "Hittills har detta har bara varit ett "principbevis", " tillägger Tautz. "Men, vi är övertygade om att vårt arbete kommer att bana väg för robotassisterad automatiserad konstruktion av funktionella supramolekylära strukturer, som molekylära transistorer, minnesceller, eller qubits—med en hastighet, precision, och tillförlitlighet långt över vad som är möjligt för närvarande."