p As moléculas são os blocos de construção da vida cotidiana. Muitos materiais são compostos por eles, um pouco como um modelo LEGO consiste em uma infinidade de tijolos diferentes. Mas, embora os blocos de LEGO individuais possam ser simplesmente deslocados ou removidos, isso não é tão fácil no nanomundo. Os átomos e as moléculas se comportam de uma maneira completamente diferente dos objetos macroscópicos e cada tijolo requer seu próprio 'manual de instruções'. Cientistas de Jülich e Berlim desenvolveram agora um sistema de inteligência artificial que aprende autonomamente como agarrar e mover moléculas individuais usando um microscópio de tunelamento de varredura. O método, que foi publicado em Avanços da Ciência , não é apenas relevante para a pesquisa, mas também para novas tecnologias de produção, como impressão 3D molecular. p Prototipagem rápida, a produção rápida e econômica de protótipos ou modelos - mais conhecida como impressão 3-D - há muito se estabeleceu como uma ferramenta importante para a indústria. "Se esse conceito pudesse ser transferido para a nanoescala para permitir que moléculas individuais fossem especificamente colocadas juntas ou separadas novamente como os tijolos de LEGO, as possibilidades seriam quase infinitas, dado que existem cerca de 1060 tipos concebíveis de molécula, "explica o Dr. Christian Wagner, chefe do grupo de trabalho ERC sobre manipulação molecular em Forschungszentrum Jülich.

p Há um problema, Contudo. Embora o microscópio de tunelamento de varredura seja uma ferramenta útil para deslocar moléculas individuais para frente e para trás, uma "receita" especial personalizada é sempre necessária para guiar a ponta do microscópio para organizar as moléculas espacialmente de maneira direcionada. Esta receita não pode ser calculada, nem deduzida por intuição - a mecânica em nanoescala é simplesmente muito variável e complexa. Afinal, a ponta do microscópio, em última análise, não é uma pinça flexível, mas sim um cone rígido. As moléculas simplesmente aderem levemente à ponta do microscópio e só podem ser colocadas no lugar certo por meio de padrões de movimento sofisticados.

p "A data, esse movimento direcionado de moléculas só foi possível à mão, por tentativa e erro. Mas com a ajuda de um autoaprendizado, sistema de controle de software autônomo, agora conseguimos, pela primeira vez, encontrar uma solução para esta diversidade e variabilidade em nanoescala, e na automação desse processo, "diz um encantado Prof. Dr. Stefan Tautz, chefe do instituto de Nanociência Quântica de Jülich.

p A chave para este desenvolvimento está na chamada aprendizagem por reforço, uma variante especial do aprendizado de máquina. "Não prescrevemos um caminho de solução para o agente de software, mas sim recompensar o sucesso e penalizar o fracasso, "explica o Prof. Dr. Klaus-Robert Müller, chefe do departamento de aprendizado de máquina da TU Berlin. O algoritmo tenta resolver repetidamente a tarefa em questão e aprende com suas experiências. O público em geral tomou conhecimento da aprendizagem por reforço há alguns anos, por meio do AlphaGo Zero. Este sistema de inteligência artificial desenvolveu estratégias autônomas para vencer o jogo altamente complexo de Go sem estudar jogadores humanos - e depois de apenas alguns dias, foi capaz de vencer jogadores profissionais de Go.

p "No nosso caso, o agente recebeu a tarefa de remover moléculas individuais de uma camada na qual são mantidas por uma complexa rede de ligações químicas. Para ser mais preciso, estas eram moléculas de perileno, tais como aqueles usados ​​em corantes e diodos emissores de luz orgânicos, "explica o Dr. Christian Wagner. O desafio especial aqui é que a força necessária para movê-los nunca deve exceder a força da ligação com a qual a ponta do microscópio de tunelamento atrai a molécula, uma vez que este vínculo seria quebrado. "A ponta do microscópio, portanto, deve executar um padrão de movimento especial, que antes tínhamos que descobrir à mão, literalmente, "Wagner acrescenta. Embora o agente de software execute inicialmente ações de movimento completamente aleatórias que quebram a ligação entre a ponta do microscópio e a molécula, com o tempo, desenvolve regras sobre qual movimento é mais promissor para o sucesso em qual situação e, portanto, fica melhor a cada ciclo.

p Contudo, o uso de aprendizagem por reforço na faixa nanoscópica traz consigo desafios adicionais. Os átomos de metal que compõem a ponta do microscópio de tunelamento podem acabar mudando ligeiramente, que altera a força da ligação à molécula a cada vez. “Cada nova tentativa aumenta o risco de uma mudança e, portanto, a quebra da ligação entre a ponta e a molécula. O agente de software é, portanto, forçado a aprender de forma particularmente rápida, uma vez que suas experiências podem se tornar obsoletas a qualquer momento, "O Prof. Dr. Stefan Tautz explica." É um pouco como se a rede de estradas, Leis de Trânsito, carroçaria, e as regras de operação do veículo estão em constante mudança durante a condução autônoma. "Os pesquisadores superaram este desafio fazendo com que o software aprendesse um modelo simples do ambiente no qual a manipulação ocorre em paralelo com os ciclos iniciais. O agente treina simultaneamente na realidade e em seu próprio modelo, que tem o efeito de acelerar significativamente o processo de aprendizagem.

p "Esta é a primeira vez que conseguimos juntar inteligência artificial e nanotecnologia, "enfatiza Klaus-Robert Müller." Até agora, esta foi apenas uma 'prova de princípio', "Tautz acrescenta." No entanto, estamos confiantes de que nosso trabalho abrirá o caminho para a construção automatizada assistida por robô de estruturas supramoleculares funcionais, como transistores moleculares, células de memória, ou qubits - com uma velocidade, precisão, e confiabilidade muito além do que é possível atualmente. "