CHEMIEXTRA_LOGO_16

Offizielles Organ des Schweizerischen Chemie- und Pharmaberufe Verbandes

Autonomer Roboter spielt mit Nanolego

(09.09.2020) Jülicher und Berliner Wissenschaftler haben eine künstliche Intelligenz entwickelt, die selbstständig lernt, wie sie einzelne Moleküle mittels eines Rastertunnelmikroskops greifen und bewegen kann. Die Methode ist nicht nur die für die Forschung, sondern auch für neuartige Fertigungstechnologien wie den molekularen 3D-Druck relevant.


Jülich

Legende: Rastertunnelmikroskop der Forschungsgruppe um Dr. Christian Wagner (PGI-3) am Forschungszentrum Jülich. Bild: Forschungszentrum Jülich / Christian Wagner)



Die meisten Materialien setzen sich aus Molekülen zusammen, vergleichbar mit einem Legomodell, das aus einer Vielzahl von unterschiedlichen Steinen besteht. Doch während man beim Lego einzelne Steine ganz einfach versetzen oder wegnehmen kann, ist das in der Nanowelt nicht so ohne weiteres möglich. Atome und Moleküle verhalten sich völlig anders als makroskopische Gegenstände und jeder Baustein braucht seine eigene «Bedienungsanleitung».


Rapid Prototyping, die schnelle – und kostengünstige – Produktion von Prototypen oder Modellen, besser bekannt als 3D-Druck, hat sich längst als wichtiges Werkzeug für die Industrie etabliert. «Könnte man dieses Konzept auf die Nanoskala übertragen und einzelne Moleküle wie Legosteine gezielt zusammensetzen oder auch wieder trennen, böten sich nahezu unendliche Möglichkeiten, wenn man bedenkt dass es ca. 1060 denkbare Molekülarten gibt», weiss Dr. Christian Wagner, Leiter der ERC Arbeitsgruppe Molekülmanipulation am Forschungszentrum Jülich.


Das Problem: Mit dem Rastertunnelmikroskop gibt es zwar ein Werkzeug, mit dem sich einzelne Moleküle gut hin und her schieben lassen, für die gezielte räumliche Anordnung benötigt man jedoch immer ein spezielles, geeignetes «Rezept» zur Führung der Mikroskop-Spitze. Dieses lässt sich weder berechnen noch intuitiv erschliessen – dafür ist die Mechanik auf der Nanoskala viel zu variabel und zu kompliziert. Denn die Mikroskop-Spitze ist kein beweglicher Greifer, sondern ein einfacher starrer Kegel. Die Moleküle haften daran nur leicht an – und lassen sich nur durch ausgeklügelte Bewegungsmuster an Ort und Stelle bringen.


«Bislang war so ein gezieltes Bewegen von Molekülen höchstens per Hand, durch Trial and Error, möglich. Mithilfe einer selbstlernenden, autonomen Software-Steuerung ist es uns nun zum ersten Mal gelungen, eine Lösung für diese Vielfalt und Variabilität auf der Nanoskala zu finden und diesen Prozess zu automatisieren», freut sich Prof. Dr. Stefan Tautz, Leiter des Jülicher Instituts für Quantum Nanoscience.


Der Einsatz des Reinforcement Learning im nanoskopischen Bereich hält zusätzliche Herausforderungen parat. Die Metallatome, aus denen die Spitze des Rastertunnelmikroskops besteht, können sich leicht verschieben, was die Bindungsstärke zum Molekül jedes Mal ändert. «Jeder neue Versuch macht die Gefahr einer Veränderung und damit den Abriss der Bindung zwischen Spitze und Molekül grösser. Somit ist der Software-Agent gezwungen, besonders schnell zu lernen, da seine Erfahrungen jederzeit hinfällig werden könnten», so Stefan Tautz. «Es ist ein bisschen, als würden sich beim autonomen Fahren ständig das Strassennetz, die Verkehrsregeln, der Aufbau sowie die Bedienungsregeln des Fahrzeugs ändern.» Die Forscher haben diese Schwierigkeit überwunden, indem die Software parallel zu den ersten Versuchen auch ein einfaches Modell der Umgebung lernt, in der die Manipulation stattfindet. Der Agent trainiert dann gleichzeitig sowohl in der Realität als auch in seinem eigenen Modell, was den Lernprozess stark beschleunigt.


Medienmitteilung Forschungszentrum Jülich (gekürzt)


www.fz-juelich.de


Zurück