Un robot autónomo juega con NanoLEGO
Los científicos están desarrollando un sistema de inteligencia artificial autónomo que puede agarrar y mover selectivamente las moléculas individuales
Las moléculas son los bloques de construcción de la vida cotidiana. Muchos materiales están compuestos de ellas, un poco como un modelo de LEGO consiste en una multitud de ladrillos diferentes. Pero mientras que los ladrillos individuales de LEGO pueden ser simplemente desplazados o removidos, esto no es tan fácil en el nanomundo. Los átomos y las moléculas se comportan de una manera completamente diferente a los objetos macroscópicos y cada ladrillo requiere su propio "manual de instrucciones". Los científicos de Jülich y Berlín han desarrollado ahora un sistema de inteligencia artificial que aprende de forma autónoma a agarrar y mover moléculas individuales utilizando un microscopio de túnel de barrido. El método, que se ha publicado en Science Advances, no sólo es pertinente para la investigación sino también para las nuevas tecnologías de producción, como la impresión molecular en 3D.
Microscopio de túnel de barrido del grupo de investigación en torno al Dr. Christian Wagner (PGI-3) en el Forschungszentrum Jülich.
Forschungszentrum Jülich / Christian Wagner
La creación rápida de prototipos, la producción rápida y económica de prototipos o modelos -más conocida como impresión en 3D- se ha establecido desde hace mucho tiempo como una herramienta importante para la industria. "Si este concepto pudiera transferirse a la nanoescala para permitir que las moléculas individuales se junten o separen específicamente de nuevo, como los ladrillos de LEGO, las posibilidades serían casi infinitas, dado que hay alrededor de 1060 tipos de moléculas concebibles", explica el Dr. Christian Wagner, jefe del grupo de trabajo del ERC sobre manipulación molecular en el Forschungszentrum Jülich.
Sin embargo, hay un problema. Aunque el microscopio de túnel de barrido es un instrumento útil para desplazar moléculas individuales hacia adelante y hacia atrás, siempre se requiere una "receta" personalizada especial para guiar la punta del microscopio a fin de ordenar espacialmente las moléculas de manera selectiva. Esta receta no puede ser calculada, ni deducida por intuición - la mecánica en la nanoescala es simplemente demasiado variable y compleja. Después de todo, la punta del microscopio no es en última instancia una pinza flexible, sino más bien un cono rígido. Las moléculas sólo se adhieren ligeramente a la punta del microscopio y sólo pueden colocarse en el lugar correcto a través de sofisticados patrones de movimiento.
"Hasta la fecha, tal movimiento dirigido de las moléculas sólo ha sido posible a mano, a través de ensayo y error. Pero con la ayuda de un sistema de control de software autodidacta y autónomo, hemos logrado por primera vez encontrar una solución para esta diversidad y variabilidad a nanoescala, y automatizar este proceso", dice un encantado Prof. Dr. Stefan Tautz, director del Instituto de Nanociencia Cuántica de Jülich.
La clave de este desarrollo reside en el llamado aprendizaje de refuerzo, una variante especial del aprendizaje automático. "No prescribimos un camino de solución para el agente de software, sino que recompensamos el éxito y penalizamos el fracaso", explica el Prof. Dr. Klaus-Robert Müller, jefe del departamento de aprendizaje automático de la Universidad Técnica de Berlín. El algoritmo trata repetidamente de resolver la tarea en cuestión y aprende de sus experiencias. El público en general tomó conciencia del aprendizaje de refuerzo hace unos años a través de AlphaGo Zero. Este sistema de inteligencia artificial desarrolló de forma autónoma estrategias para ganar el altamente complejo juego de Go sin estudiar a los jugadores humanos - y después de unos pocos días, fue capaz de vencer a los jugadores de Go profesionales.
"En nuestro caso, el agente recibió la tarea de eliminar las moléculas individuales de una capa en la que están sujetas por una compleja red de enlaces químicos. Para ser precisos, se trataba de moléculas de perileno, como las que se utilizan en los tintes y los diodos orgánicos emisores de luz", explica el Dr. Christian Wagner. El desafío especial aquí es que la fuerza requerida para moverlas nunca debe exceder la fuerza del enlace con el que la punta del microscopio de túnel de barrido atrae la molécula, ya que de otra manera este enlace se rompería. "La punta del microscopio, por lo tanto, tiene que ejecutar un patrón de movimiento especial, que previamente tuvimos que descubrir a mano, literalmente", añade Wagner. Si bien el agente de software inicialmente realiza acciones de movimiento completamente aleatorias que rompen el vínculo entre la punta del microscopio y la molécula, con el tiempo desarrolla reglas en cuanto a qué movimiento es el más prometedor para el éxito en qué situación y, por lo tanto, mejora con cada ciclo.
Sin embargo, el uso del aprendizaje de refuerzo en el rango nanoscópico trae consigo retos adicionales. Los átomos metálicos que componen la punta del microscopio de túnel de barrido pueden terminar desplazándose ligeramente, lo que altera la fuerza de adhesión a la molécula cada vez. "Cada nuevo intento hace que el riesgo de un cambio y por lo tanto la ruptura del vínculo entre la punta y la molécula sea mayor. Por lo tanto, el agente de software se ve obligado a aprender con especial rapidez, ya que sus experiencias pueden quedar obsoletas en cualquier momento", explica el Prof. Dr. Stefan Tautz. "Es como si la red de carreteras, las leyes de tráfico, la carrocería y las normas de funcionamiento del vehículo estuvieran cambiando constantemente mientras se conduce de forma autónoma". Los investigadores han superado este desafío haciendo que el software aprenda un modelo simple del entorno en el que la manipulación tiene lugar en paralelo con los ciclos iniciales. El agente se entrena entonces simultáneamente tanto en la realidad como en su propio modelo, lo que tiene el efecto de acelerar significativamente el proceso de aprendizaje.
"Esta es la primera vez que hemos logrado unir la inteligencia artificial y la nanotecnología", enfatiza Klaus-Robert Müller. "Hasta ahora, esto sólo ha sido una 'prueba de principio'", añade Tautz. "Sin embargo, confiamos en que nuestro trabajo allanará el camino para la construcción automatizada asistida por robots de estructuras supramoleculares funcionales, como transistores moleculares, células de memoria o qubits, con una velocidad, precisión y fiabilidad muy superiores a las posibles en la actualidad".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
