Le molecole sono gli elementi costitutivi della vita quotidiana. Molti materiali sono composti da loro, un po' come un modello LEGO composto da una moltitudine di mattoncini diversi. Ma mentre i singoli mattoncini LEGO possono essere semplicemente spostati o rimossi, questo non è così facile nel nanomondo. Atomi e molecole si comportano in modo completamente diverso dagli oggetti macroscopici e ogni mattone richiede il proprio "manuale di istruzioni". Scienziati di Jülich e Berlino hanno ora sviluppato un sistema di intelligenza artificiale che apprende autonomamente come afferrare e spostare singole molecole utilizzando un microscopio a scansione a effetto tunnel. Il metodo, che è stato pubblicato in Progressi scientifici , non è rilevante solo per la ricerca, ma anche per nuove tecnologie di produzione come la stampa 3D molecolare.

Prototipazione rapida, la produzione rapida ed economica di prototipi o modelli, meglio nota come stampa 3D, si è affermata da tempo come uno strumento importante per l'industria. "Se questo concetto potesse essere trasferito su scala nanometrica per consentire alle singole molecole di essere messe insieme o separate di nuovo in modo specifico proprio come i mattoncini LEGO, le possibilità sarebbero quasi infinite, dato che ci sono circa 1060 tipi di molecole concepibili, " spiega il dottor Christian Wagner, capo del gruppo di lavoro dell'ERC sulla manipolazione molecolare al Forschungszentrum Jülich.

C'è un problema, però. Sebbene il microscopio a effetto tunnel sia uno strumento utile per spostare le singole molecole avanti e indietro, è sempre necessaria una speciale "ricetta" personalizzata per guidare la punta del microscopio a disporre le molecole nello spazio in modo mirato. Questa ricetta non può essere calcolata, né dedotto dall'intuizione:la meccanica su scala nanometrica è semplicemente troppo variabile e complessa. Dopotutto, la punta del microscopio in definitiva non è una pinza flessibile, ma piuttosto un cono rigido. Le molecole aderiscono semplicemente leggermente alla punta del microscopio e possono essere messe nel posto giusto solo attraverso sofisticati schemi di movimento.

"Ad oggi, tale movimento mirato di molecole è stato possibile solo a mano, attraverso tentativi ed errori. Ma con l'aiuto di un autoapprendimento, sistema di controllo software autonomo, ora siamo riusciti per la prima volta a trovare una soluzione per questa diversità e variabilità su scala nanometrica, e automatizzando questo processo, " dice un felice Prof. Dr. Stefan Tautz, capo dell'istituto di nanoscienze quantistiche di Jülich.

La chiave di questo sviluppo risiede nel cosiddetto apprendimento per rinforzo, una variante speciale dell'apprendimento automatico. "Non prescriviamo un percorso di soluzione per l'agente software, ma piuttosto premiare il successo e penalizzare il fallimento, " spiega il Prof. Dr. Klaus-Robert Müller, capo del dipartimento di Machine Learning alla TU Berlin. L'algoritmo cerca ripetutamente di risolvere il compito da svolgere e impara dalle sue esperienze. Il pubblico in generale è venuto a conoscenza dell'apprendimento per rinforzo alcuni anni fa tramite AlphaGo Zero. Questo sistema di intelligenza artificiale ha sviluppato autonomamente strategie per vincere il gioco molto complesso di Go senza studiare i giocatori umani, e dopo pochi giorni, è stato in grado di battere i giocatori professionisti di Go.

"Nel nostro caso, all'agente è stato affidato il compito di rimuovere singole molecole da uno strato in cui sono trattenute da una complessa rete di legami chimici. Per essere precisi, queste erano molecole di perilene, come quelli utilizzati nei coloranti e nei diodi organici a emissione di luce, " spiega il dottor Christian Wagner. La sfida speciale qui è che la forza necessaria per spostarli non deve mai superare la forza del legame con cui la punta del microscopio a scansione a effetto tunnel attira la molecola, poiché questo legame altrimenti si spezzerebbe. "La punta del microscopio deve quindi eseguire uno schema di movimento speciale, che prima dovevamo scoprire a mano, letteralmente, " aggiunge Wagner. Mentre l'agente software inizialmente esegue azioni di movimento completamente casuali che rompono il legame tra la punta del microscopio e la molecola, nel tempo sviluppa regole su quale movimento è il più promettente per il successo in quale situazione e quindi migliora ad ogni ciclo.

Però, l'uso dell'apprendimento per rinforzo nella gamma nanoscopica porta con sé ulteriori sfide. Gli atomi di metallo che compongono la punta del microscopio a scansione a effetto tunnel possono finire per spostarsi leggermente, che altera ogni volta la forza di legame alla molecola. "Ogni nuovo tentativo aumenta il rischio di un cambiamento e quindi della rottura del legame tra punta e molecola. L'agente software è quindi costretto ad apprendere in modo particolarmente rapido, poiché le sue esperienze possono diventare obsolete in qualsiasi momento, " Spiega il Prof. Dr. Stefan Tautz. "È un po' come se la rete stradale, codice della strada, carrozzeria, e le regole per il funzionamento del veicolo cambiano continuamente durante la guida autonoma." I ricercatori hanno superato questa sfida facendo apprendere al software un semplice modello dell'ambiente in cui la manipolazione avviene in parallelo con i cicli iniziali. L'agente quindi addestra simultaneamente entrambi nella realtà e nel proprio modello, che ha l'effetto di accelerare notevolmente il processo di apprendimento.

"Questa è la prima volta in assoluto che siamo riusciti a unire intelligenza artificiale e nanotecnologia, " sottolinea Klaus-Robert Müller. "Finora, questa è stata solo una "prova di principio", " Tautz aggiunge. "Tuttavia, siamo fiduciosi che il nostro lavoro aprirà la strada alla costruzione automatizzata assistita da robot di strutture supramolecolari funzionali, come i transistor molecolari, cellule di memoria, o qubit, con una velocità, precisione, e affidabilità di gran lunga superiori a quanto attualmente possibile."