Bilim adamları, tek tek molekülleri seçici bir şekilde kavrayabilen ve hareket ettirebilen otonom bir yapay zeka sistemi geliştiriyor
Moleküller, günlük yaşamın yapı taşlarıdır. Pek çok malzeme bunlardan oluşur, biraz LEGO modeli çok sayıda farklı tuğladan oluşur. Ancak tek tek LEGO tuğlaları basitçe kaydırılabilir veya çıkarılabilirken, bu nanoküre dünyasında o kadar kolay değil. Atomlar ve moleküller, makroskopik nesnelere göre tamamen farklı bir şekilde davranır ve her tuğla kendi “kullanım kılavuzunu” gerektirir. Jülich ve Berlin’den bilim adamları, bir taramalı tünelleme mikroskobu kullanarak tek tek molekülleri nasıl tutup hareket ettireceklerini bağımsız olarak öğrenen bir yapay zeka sistemi geliştirdiler. Science Advances’da yayınlanan yöntem, yalnızca araştırma için değil, aynı zamanda moleküler 3D baskı gibi yeni üretim teknolojileri için de geçerlidir.
Hızlı prototipleme, prototiplerin veya modellerin hızlı ve uygun maliyetli üretimi – daha iyi 3D baskı olarak bilinir – uzun zamandan beri endüstri için önemli bir araç olarak kendini kanıtlamıştır. Forschungszentrum Jülich’de moleküler manipülasyon üzerine ERC çalışma grubu başkanı Dr. Wagner “Bu konsept nano ölçeğe aktarılabilirse, tek tek moleküllerin LEGO tuğlaları gibi özel olarak bir araya getirilmesine veya yeniden ayrılmasına izin verilebilirse, olasılıklar neredeyse sonsuz olacaktır, akla gelebilecek 1060 civarında molekül türü olduğu düşünüldüğünde, “diye açıklıyor.
Ancak bir sorun var. Taramalı tünelleme mikroskobu, tek tek molekülleri ileri geri kaydırmak için yararlı bir araç olsa da, molekülleri uzamsal olarak hedeflenen bir şekilde düzenlemek için mikroskobun ucuna kılavuzluk etmek için her zaman özel bir özel “tarif” gereklidir. Bu tarif ne hesaplanabilir ne de sezgilerle çıkarılabilir – nano ölçekteki mekanikler çok değişken ve karmaşıktır. Sonuçta, mikroskobun ucu sonuçta esnek bir kavrayıcı değil, sert bir konidir. Moleküller mikroskobun ucuna sadece hafifçe yapışır ve ancak karmaşık hareket modelleri ile doğru yere yerleştirilebilir.
Jülich’in Kuantum Nanobilim enstitüsünün başkanı Prof. Dr. Stefan Tautz “Bugüne kadar moleküllerin bu tür hedeflenmiş hareketi, yalnızca elle, deneme yanılma yoluyla mümkün olmuştur. Ancak kendi kendine öğrenen, otonom bir yazılım kontrol sisteminin yardımıyla, nano ölçekte bu çeşitlilik ve değişkenlik için ilk kez bir çözüm bulmayı ve bu süreci otomatikleştirmeyi başardık, “diyor.
Bu gelişmenin anahtarı, machine learning’in özel bir türü olan pekiştirmeli öğrenmede yatmaktadır. TU Berlin Makine Öğrenimi departmanı başkanı Prof. Dr. Klaus-Robert Müller, “Yazılım aracısı için bir çözüm yolu belirlemiyoruz, bunun yerine başarıyı ödüllendiriyor ve başarısızlığı cezalandırıyoruz” diyor. Algoritma, elindeki görevi tekrar tekrar çözmeye çalışır ve deneyimlerinden öğrenir. Genel halk, birkaç yıl önce AlphaGo Zero aracılığıyla pekiştirmeli öğrenmenin farkına vardı. Bu yapay zeka sistemi, son derece karmaşık Go oyununu insan oyuncular üzerinde çalışmadan kazanmak için bağımsız olarak stratejiler geliştirdi ve sadece birkaç gün sonra profesyonel Go oyuncularını yenmeyi başardı.
“Bizim durumumuzda, ajana, karmaşık bir kimyasal bağ ağı tarafından tutuldukları bir katmandan tek tek molekülleri çıkarma görevi verildi. Kesin olarak, bunlar boyalarda ve organik ışık yayan diyotlarda kullanılanlar gibi perilen molekülleriydi, “diye açıklıyor Dr. Christian Wagner. Buradaki özel zorluk, onları hareket ettirmek için gereken kuvvetin, taramalı tünelleme mikroskobunun ucunun molekülü çektiği bağın gücünü asla aşmamasıdır, çünkü aksi takdirde bu bağ kopacaktır. Wagner, “Mikroskop ucu bu nedenle, daha önce elle keşfetmemiz gereken özel bir hareket modelini uygulamak zorunda,” diye ekliyor. Yazılım aracısı başlangıçta mikroskobun ucu ile molekül arasındaki bağı koparan tamamen rastgele hareket eylemleri gerçekleştirirken, zamanla hangi hareketin hangi durumda başarı için en umut verici olduğuna ve dolayısıyla her döngüde daha iyi hale geldiğine dair kurallar geliştirir.
Bununla birlikte, nanoskopik aralıkta pekiştirmeli öğrenmenin kullanılması, beraberinde ek zorluklar getirir. Taramalı tünelleme mikroskobunun ucunu oluşturan metal atomları, her seferinde moleküle bağlanma gücünü değiştiren hafifçe kayabilir. Prof.Dr. Tautz “Her yeni girişim, bir değişiklik riskini ve dolayısıyla uç ile molekül arasındaki bağın kopmasını daha da artırıyor. Bu nedenle, yazılım aracısı, deneyimleri her an eskimiş olabileceğinden, özellikle hızlı bir şekilde öğrenmeye zorlanıyor,” olarak açıklıyor. “Otonom sürüş sırasında yol ağı, trafik kanunları, üstyapı ve aracı çalıştırma kuralları sürekli değişiyor gibi.” Araştırmacılar, yazılımın, manipülasyonun başlangıç döngülerine paralel olarak gerçekleştiği ortamın basit bir modelini öğrenmesini sağlayarak bu zorluğun üstesinden geldiler. Temsilci daha sonra eşzamanlı olarak hem gerçekte hem de kendi modelinde eğitir ve bu da öğrenme sürecini önemli ölçüde hızlandırır.
Klaus-Robert Müller, “Yapay zeka ve nanoteknolojiyi bir araya getirmeyi ilk kez başardık,” diyor. Tautz, “Şimdiye kadar, bu yalnızca bir ‘ilke kanıtı’ idi,” diye ekliyor. “Bununla birlikte, çalışmamızın moleküler transistörler, bellek hücreleri veya kübitler gibi fonksiyonel supramoleküler yapıların robot destekli otomatik inşasına zemin hazırlayacağından eminiz – şu anda mümkün olandan çok daha yüksek bir hız, hassasiyet ve güvenilirlikle.”
Kaynak: Forschungszentrum Juelich
Dergi Kaynağı: Philipp Leinen, Malte Esders, Kristof T. Schütt, Christian Wagner, Klaus-Robert Müller, F. Stefan Tautz. Autonomous robotic nanofabrication with reinforcement learning. Science Advances, 2020; 6 (36): eabb6987 DOI: 10.1126/sciadv.abb6987
Bir yanıt yazın