自主機器人玩NanoLEGO

分子是日常生活的基石。許多材料都是由它們組成的，有點像樂高模型由多種不同的磚塊組成。但是，盡管單個樂高積木可以簡單地移動或移除，但在納米世界中并不是那么容易。原子和分子的行為與宏觀物體的行為完全不同，每塊積木都需要有自己的“說明手冊”。來自于利希(Jülich)和柏林(Berlin)的科學家現在已經開發了一種人工智能系統，該系統可以使用掃描隧道顯微鏡自主學習如何抓握和移動單個分子。該方法已發表在《科學進展》上不僅與研究相關，而且與分子3D打印等新穎的生產技術有關。

自從將自身確立為行業重要工具以來，就已經有快速的原型制作，快速且經濟高效的原型或模型生產(通常稱為3-D打印)。克里斯蒂安博士解釋說：“如果這個概念可以轉移到納米尺度上，以使單個分子像樂高積木一樣被專門放在一起或再次分離，那么鑒于存在大約1060種可能的分子類型，這種可能性幾乎是無限的。”瓦格納(Wagner)是ForschungszentrumJülich的ERC分子操縱工作組負責人。

但是，有一個問題。盡管掃描隧道顯微鏡是用于使單個分子來回移動的有用工具，但始終需要特殊的自定義“配方”以引導顯微鏡的尖端以目標方式在空間上排列分子。這個配方既不能計算，也不能憑直覺推論出來-納米級的機理太易變且太復雜。畢竟，顯微鏡的尖端最終不是柔性夾具，而是剛性圓錐體。這些分子只是輕微地粘附在顯微鏡尖端上，只能通過復雜的運動方式放置在正確的位置。

“迄今為止，只有通過手工操作，反復試驗，才能實現分子的這種定向運動。但是，借助自學，自主的軟件控制系統，我們現在首次成功地找到了解決方案。納米級的多樣性和可，以及使這一過程自動化。”Jülich量子納米科學研究所所長Stefan Tautz教授高興地說道。

人工智能(AI)的任務是從封閉的分子層中去除單個分子。首先，在顯微鏡的尖端(頂部)和分子(中間)之間建立連接。然后，AI嘗試通過移動尖端而不破壞接觸來除去分子。最初，運動是隨機的。每次通過之后，AI都會從收集的經驗中學習，并且會變得越來越好。圖片來源：ForschungszentrumJülich/克里斯蒂安·瓦格納

這一發展的關鍵在于所謂的強化學習，這是機器學習的一種特殊形式。柏林工業大學機器學習系主任克勞斯-羅伯特·穆勒(Klaus-RobertMüller)教授解釋說：“我們沒有為軟件代理規定解決方案，而是獎勵成功和懲罰失敗。” 該算法反復嘗試解決手頭的任務并從其經驗中學習。幾年前，公眾首次意識到通過AlphaGo Zero進行強化學習。這個人工智能系統自主開發了戰略，可以在不研究人類玩家的情況下贏得高度復雜的圍棋比賽，而短短幾天后，它就擊敗了專業圍棋選手。

“在我們的案例中，該試劑的任務是從一個分子中通過復雜的化學鍵網絡將單個分子除去。確切地說，這些分子是per分子，例如用于染料和有機發光二極管中的那些。”克里斯汀·瓦格納博士解釋說。此處的特殊挑戰是，移動它們所需的力不得超過掃描隧道顯微鏡尖端的結合強度Wagner補充說：“因此，顯微鏡尖端必須執行一種特殊的運動模式，這是我們以前必須手工發現的，非常確切地說，” Wagner補充說。隨著時間的流逝，它打破了顯微鏡尖端和分子之間的聯系，并隨著時間的流逝制定了規則，確定哪種運動最適合在哪種情況下獲得成功，因此每個周期都會變得更好。

然而，在納米范圍內使用強化學習帶來了額外的挑戰。的金屬原子構成掃描隧道顯微鏡尖端的電極最終可能會稍微移動，從而每次都會改變與分子的結合強度。Stefan教授說：“每一次新嘗試都會增加改變的風險，從而增加尖端與分子之間的鍵斷裂的風險。因此，由于其經驗隨時可能變得過時，因此迫使軟件代理學習得特別快。” Tautz解釋。“這有點像自動駕駛時的道路網絡，交通法規，車身和車輛操作規則在不斷變化。” 研究人員通過使該軟件學習簡單的環境模型來克服了這一挑戰，在該模型中，操作與初始周期并行進行。然后，代理同時在現實和自己的模型中進行訓練，

克勞斯·羅伯特·穆勒(Klaus-RobertMüller)強調說：“這是我們首次成功地將人工智能和納米技術結合在一起。” Tautz補充說：“到目前為止，這只是一個'原則證明'。” “但是，我們有信心，我們的工作將為機器人輔助的功能性超分子結構的自動構建鋪平道路，例如分子晶體管，存儲單元或量子位，其速度，精度和可靠性將遠遠超過目前可能。”