自主机器人玩NanoLEGO

分子是日常生活的基石。许多材料都是由它们组成的，有点像乐高模型由多种不同的砖块组成。但是，尽管单个乐高积木可以简单地移动或移除，但在纳米世界中并不是那么容易。原子和分子的行为与宏观物体的行为完全不同，每块积木都需要有自己的“说明手册”。来自于利希(Jülich)和柏林(Berlin)的科学家现在已经开发了一种人工智能系统，该系统可以使用扫描隧道显微镜自主学习如何抓握和移动单个分子。该方法已发表在《科学进展》上不仅与研究相关，而且与分子3D打印等新颖的生产技术有关。

自从将自身确立为行业重要工具以来，就已经有快速的原型制作，快速且经济高效的原型或模型生产(通常称为3-D打印)。克里斯蒂安博士解释说：“如果这个概念可以转移到纳米尺度上，以使单个分子像乐高积木一样被专门放在一起或再次分离，那么鉴于存在大约1060种可能的分子类型，这种可能性几乎是无限的。”瓦格纳(Wagner)是ForschungszentrumJülich的ERC分子操纵工作组负责人。

但是，有一个问题。尽管扫描隧道显微镜是用于使单个分子来回移动的有用工具，但始终需要特殊的自定义“配方”以引导显微镜的尖端以目标方式在空间上排列分子。这个配方既不能计算，也不能凭直觉推论出来-纳米级的机理太易变且太复杂。毕竟，显微镜的尖端最终不是柔性夹具，而是刚性圆锥体。这些分子只是轻微地粘附在显微镜尖端上，只能通过复杂的运动方式放置在正确的位置。

“迄今为止，只有通过手工操作，反复试验，才能实现分子的这种定向运动。但是，借助自学，自主的软件控制系统，我们现在首次成功地找到了解决方案。纳米级的多样性和可，以及使这一过程自动化。”Jülich量子纳米科学研究所所长Stefan Tautz教授高兴地说道。

人工智能(AI)的任务是从封闭的分子层中去除单个分子。首先，在显微镜的尖端(顶部)和分子(中间)之间建立连接。然后，AI尝试通过移动尖端而不破坏接触来除去分子。最初，运动是随机的。每次通过之后，AI都会从收集的经验中学习，并且会变得越来越好。图片来源：ForschungszentrumJülich/克里斯蒂安·瓦格纳

这一发展的关键在于所谓的强化学习，这是机器学习的一种特殊形式。柏林工业大学机器学习系主任克劳斯-罗伯特·穆勒(Klaus-RobertMüller)教授解释说：“我们没有为软件代理规定解决方案，而是奖励成功和惩罚失败。” 该算法反复尝试解决手头的任务并从其经验中学习。几年前，公众首次意识到通过AlphaGo Zero进行强化学习。这个人工智能系统自主开发了战略，可以在不研究人类玩家的情况下赢得高度复杂的围棋比赛，而短短几天后，它就击败了专业围棋选手。

“在我们的案例中，该试剂的任务是从一个分子中通过复杂的化学键网络将单个分子除去。确切地说，这些分子是per分子，例如用于染料和有机发光二极管中的那些。”克里斯汀·瓦格纳博士解释说。此处的特殊挑战是，移动它们所需的力不得超过扫描隧道显微镜尖端的结合强度Wagner补充说：“因此，显微镜尖端必须执行一种特殊的运动模式，这是我们以前必须手工发现的，非常确切地说，” Wagner补充说。随着时间的流逝，它打破了显微镜尖端和分子之间的联系，并随着时间的流逝制定了规则，确定哪种运动最适合在哪种情况下获得成功，因此每个周期都会变得更好。

然而，在纳米范围内使用强化学习带来了额外的挑战。的金属原子构成扫描隧道显微镜尖端的电极最终可能会稍微移动，从而每次都会改变与分子的结合强度。Stefan教授说：“每一次新尝试都会增加改变的风险，从而增加尖端与分子之间的键断裂的风险。因此，由于其经验随时可能变得过时，因此迫使软件代理学习得特别快。” Tautz解释。“这有点像自动驾驶时的道路网络，交通法规，车身和车辆操作规则在不断变化。” 研究人员通过使该软件学习简单的环境模型来克服了这一挑战，在该模型中，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，

克劳斯·罗伯特·穆勒(Klaus-RobertMüller)强调说：“这是我们首次成功地将人工智能和纳米技术结合在一起。” Tautz补充说：“到目前为止，这只是一个'原则证明'。” “但是，我们有信心，我们的工作将为机器人辅助的功能性超分子结构的自动构建铺平道路，例如分子晶体管，存储单元或量子位，其速度，精度和可靠性将远远超过目前可能。”