作者:Forschungszentrum Juelich 博士周围课题组的扫描隧道显微镜
克里斯汀·瓦格纳(PGI-3)
信用:克里斯汀·瓦格纳 分子是日常生活的组成部分
许多材料都是由它们组成的，有点像乐高模型，由许多不同的砖块组成
虽然个别乐高积木可以简单地移动或移除，但在纳米世界中这并不容易
原子和分子的行为方式与宏观物体完全不同，每块砖都需要自己的“说明书”
来自于尤里克和柏林的科学家现在已经开发出了一个人工智能系统，该系统可以使用扫描隧道显微镜自主学习如何抓取和移动单个分子
这种方法已经发表在《科学进展》杂志上，不仅与研究有关，还与新的生产技术如分子三维打印技术有关
快速原型制作，即原型或模型的快速和经济高效的生产——更广为人知的是三维打印——早已成为工业的重要工具
“如果这个概念可以转移到纳米尺度，允许单个分子像乐高积木一样被特别地放在一起或再次分离，考虑到大约有1060种可能的分子类型，这种可能性几乎是无穷无尽的，”博士解释说
克里斯汀·瓦格纳，弗松赞特勒姆·尤里克的ERC分子操纵工作组组长
然而，有一个问题
尽管扫描隧道显微镜是来回移动单个分子的有用工具，但是为了引导显微镜的尖端以目标方式在空间上排列分子，总是需要特殊的定制“配方”
这个配方既不能计算，也不能凭直觉推断——纳米尺度上的力学太多变太复杂了
毕竟，显微镜的尖端最终不是一个灵活的抓手，而是一个刚性的圆锥体
这些分子只是轻微地粘附在显微镜的尖端，并且只能通过复杂的运动模式被放置在正确的位置
“迄今为止，这种分子的定向运动只能通过手工，通过反复试验来实现
但在自主学习、自主软件控制系统的帮助下，我们现在第一次成功地找到了解决纳米级多样性和可变性的方法，并实现了这一过程的自动化，”一位欣喜的教授表示
医生
斯特凡·陶茨，尤里克量子纳米科学研究所所长
人工智能的任务是从封闭的分子层中移除单个分子
首先，在显微镜的顶端(顶部)和分子(中间)之间建立连接
然后人工智能试图通过移动尖端而不破坏接触来移除分子
最初，运动是随机的
每次通过之后，人工智能从收集的经验中学习，变得越来越好
信用:克里斯汀·瓦格纳 这种发展的关键在于所谓的强化学习，一种机器学习的特殊变体
“我们没有为软件代理制定解决方案路径，而是奖励成功，惩罚失败，”教授解释道
医生
克劳斯-罗伯特·穆勒，柏林理工大学机器学习系主任
该算法反复尝试解决手头的任务，并从其经验中学习
公众第一次意识到强化学习是在几年前，通过AlphaGo Zero
这个人工智能系统自主开发了赢得高度复杂的围棋游戏的策略，而无需研究人类玩家——仅仅几天后，它就能够击败职业围棋玩家
“在我们的例子中，代理人被赋予了从一层中移除单个分子的任务，在该层中，它们被一个复杂的化学键网络所保持
准确地说，这些是苝分子，比如用于染料和有机发光二极管的分子
克里斯汀·瓦格纳
这里的特殊挑战是，移动它们所需的力绝不能超过扫描隧道显微镜的尖端吸引分子的键的强度，因为否则这个键会断裂
瓦格纳补充道:“因此，显微镜的尖端必须执行一种特殊的运动模式，而这种模式我们以前必须手动发现，非常准确。”
虽然软件代理最初执行完全随机的移动动作，破坏显微镜尖端和分子之间的结合，但随着时间的推移，它会制定规则，确定在哪种情况下哪种移动最有希望成功，从而在每个周期中变得更好
然而，在纳米范围内使用强化学习带来了额外的挑战
构成扫描隧道显微镜尖端的金属原子最终会轻微移动，这每次都会改变分子的结合强度
“每一次新的尝试都会增加变化的风险，从而使尖端和分子之间的键断裂的风险更大
软件代理因此被迫特别快地学习，因为它的经验随时可能过时
医生
斯特凡·陶茨解释道
“这有点像是在自动驾驶时，道路网络、交通法规、车身和车辆操作规则在不断变化
“研究人员通过让软件学习一个简单的环境模型克服了这个挑战，在这个模型中，操作与初始周期并行进行
然后，代理同时在现实和自己的模型中进行训练，这具有显著加速学习过程的效果
克劳斯-罗伯特·穆勒强调:“这是我们首次成功地将人工智能和纳米技术结合在一起。”
陶茨补充说:“到目前为止，这只是一个‘原则证明’。”
“然而，我们相信，我们的工作将为机器人辅助自动构建功能性超分子结构铺平道路，如分子晶体管、存储单元或量子位，其速度、精度和可靠性远远超过目前可能的水平
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
