Les molécules sont les éléments constitutifs de la vie quotidienne. De nombreux matériaux en sont composés, un peu comme un modèle LEGO constitué d'une multitude de briques différentes. Mais si les briques LEGO individuelles peuvent être simplement déplacées ou enlevées, ce n'est pas si facile dans le nanomonde. Les atomes et les molécules se comportent d'une manière complètement différente des objets macroscopiques et chaque brique nécessite son propre « manuel d'instructions ». Des scientifiques de Jülich et de Berlin ont maintenant développé un système d'intelligence artificielle qui apprend de manière autonome à saisir et à déplacer des molécules individuelles à l'aide d'un microscope à effet tunnel. La méthode, qui a été publiée dans Science Improvements, n'est pas seulement pertinente pour la recherche, mais également pour les nouvelles systems de manufacturing telles que l'impression 3D moléculaire.




Le prototypage rapide, la generation rapide et rentable de prototypes ou de modèles – mieux connue sous le nom d'impression 3D – s'est depuis longtemps imposé comme un outil important pour l'industrie. « Si ce idea pouvait être transféré à l'échelle nanométrique pour permettre aux molécules individuelles d'être spécifiquement assemblées ou séparées à nouveau, tout comme les briques LEGO, les possibilités seraient presque infinies, étant donné qu'il existe environ 1060 kinds de molécules imaginables », explique le Dr Christian Wagner, chef du groupe de travail ERC sur la manipulation moléculaire au Forschungszentrum Jülich.

Il y a cependant un problème. Bien que le microscope à effet tunnel à balayage soit un outil utile pour déplacer des molécules individuelles d'avant en arrière, une « recette » personnalisée spéciale est toujours nécessaire afin de guider la pointe du microscope pour disposer les molécules spatialement de manière ciblée. Cette recette ne peut être ni calculée, ni déduite par intuition – les mécanismes à l'échelle nanométrique sont tout simplement trop variables et complexes. Après tout, la pointe du microscope n'est finalement pas une pince adaptable, mais plutôt un cône rigide. Les molécules adhèrent simplement légèrement à la pointe du microscope et ne peuvent être placées au bon endroit que par des mouvements sophistiqués.




« À ce jour, un tel mouvement ciblé de molécules n'a été possible que manuellement, par essais et erreurs. Mais avec l'aide d'un système de contrôle logiciel autonome et car-apprenant, nous avons réussi pour la première fois à trouver une solution à ce problème. la diversité et la variabilité à l’échelle nanométrique et dans l’automatisation de ce processus « , se réjouit le professeur Stefan Tautz, directeur de l’institut Quantum Nanoscience de Jülich.

La clé de ce développement réside dans ce que l'on appelle l'apprentissage par renforcement, une variante spéciale de l'apprentissage automatique. « Nous ne prescrivons pas de solution pour l'agent logiciel, mais récompensons plutôt le succès et sanctionnons l'échec », explique le professeur Klaus-Robert Müller, chef du département Machine Discovering à TU Berlin. L'algorithme essaie à plusieurs reprises de résoudre la tâche à accomplir et apprend de ses expériences. Le grand public a pris conscience de l'apprentissage par renforcement il y a quelques années grâce à AlphaGo Zero. Ce système d'intelligence artificielle a développé de manière autonome des stratégies pour gagner le jeu très complexe de Go sans étudier les joueurs humains – et après seulement quelques jours, il a pu battre les joueurs professionnels de Go.

« Dans notre cas, l'agent s'est vu confier la tâche d'éliminer les molécules individuelles d'une couche dans laquelle elles sont retenues par un réseau complexe de liaisons chimiques. Pour être précis, il s'agissait de molécules de pérylène, comme celles utilisées dans les colorants et la lumière organique. émettrices de diodes « , explique le Dr Christian Wagner. Le défi particulier ici est que la power requise pour les déplacer ne doit jamais dépasser la pressure de la liaison avec laquelle la pointe du microscope à effet tunnel apparel la molécule, automobile cette liaison se romprait autrement. « La pointe du microscope doit donc exécuter un modèle de mouvement spécial, que nous devions auparavant découvrir à la most important, littéralement », ajoute Wagner. Alors que l'agent logiciel effectue initialement des actions de mouvement complètement aléatoires qui rompent le lien entre la pointe du microscope et la molécule, au fil du temps, il développe des règles pour déterminer quel mouvement est le additionally prometteur pour réussir dans quelle predicament et s'améliore donc à chaque cycle.

Cependant, l'utilisation de l'apprentissage par renforcement dans le domaine nanoscopique comporte des défis supplémentaires. Les atomes métalliques qui composent la pointe du microscope à effet tunnel peuvent finir par se déplacer légèrement, ce qui modifie la drive de liaison à la molécule à chaque fois. « Chaque nouvelle tentative augmente le risque de changement et donc de rupture du lien entre la pointe et la molécule. L'agent logiciel est donc obligé d'apprendre particulièrement vite, vehicle ses expériences peuvent devenir obsolètes à tout moment », Pr. Dr. Stefan Explique Tautz. « C'est un peu comme si le réseau routier, le code de la route, la carrosserie et les règles de conduite du véhicule évoluaient constamment en conduisant de manière autonome. » Les chercheurs ont surmonté ce défi en faisant apprendre au logiciel un modèle straightforward de l'environnement dans lequel la manipulation a lieu en parallèle avec les cycles initiaux. L'agent s'entraîne alors simultanément à la fois dans la réalité et dans son propre modèle, ce qui a pour effet d'accélérer considérablement le processus d'apprentissage.

« C'est la première fois que nous réussissons à associer intelligence artificielle et nanotechnologie », souligne Klaus-Robert Müller. « Jusqu'à présent, cela n'a été qu'une » preuve de principe « , ajoute Tautz. « Cependant, nous sommes convaincus que notre travail ouvrira la voie à la building automatisée assistée par robotic de buildings supramoléculaires fonctionnelles, telles que les transistors moléculaires, les cellules mémoire ou les qubits – avec une vitesse, une précision et une fiabilité bien supérieures à ce que est actuellement attainable. «