Lego fürs Computerhirn: Wissenschaftler haben eine künstliche Intelligenz entwickelt, die eigenständig lernt, wie sie einzelne Moleküle mit Hilfe eines Rastertunnel-Mikroskops greifen und bewegen kann. Die Technik bietet großes Potenzial für die Nanotechnologie und für die Entwicklung eines 3D-Druckers auf Molekülebene, wie die Forscher im Fachmagazin „Science Advances“ berichten.
Ob Roboter im Nanoformat, mikroskopisch kleine Sensoren und Bauteile für die Elektronik oder maßgeschneiderte Moleküle für die Medizin: Die Nanotechnologie bietet Wissenschaft und Technik völlig neue Möglichkeiten. Um solche Nano-Konstrukte herstellen zu können, bedarf es jedoch neuer Methoden – von der Selbstorganisation über Laserpinzetten bis hin zu Spezialmikroskopen wie den Rasterkraft- und Rastertunnelmikroskopen.
Lego mit Hindernissen
Rastertunnel-Mikroskope können einzelne Atome und Moleküle mit Hilfe ihrer elektrisch geladenen Spitzen wie Legosteine bewegen und zu neuen Strukturen zusammenfügen. Doch im Gegensatz zu makroskopischen Legosteinen ist nicht jedes Molekül in jeder Richtung und Reihenfolge bewegbar. Für jede gezielte Änderung wird ein bestimmtes Bewegungsmuster benötigt, um das Molekül aus seiner Umgebung zu lösen und neu anzuordnen. Dieses lässt sich weder berechnen noch intuitiv erschließen – dafür ist die Mechanik auf der Nanoskala zu variabel und kompliziert.
„Bislang war so ein gezieltes Bewegen von Molekülen höchstens per Hand, durch Trial and Error, möglich“, sagt Seniorautor Stefan Tautz vom Forschungszentrum Jülich. Doch er und sein Team haben nun eine Methode der autonomen Nanofabrikation entwickelt, bei der ein Roboter diesen Lernprozess übernimmt. „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“, so Tautz.
Lernen durch Erfolg und Misserfolg
Der Schlüssel der neu entwickelten Methode liegt im sogenannten Reinforcement Learning, einer speziellen Variante des Lernens aus Erfahrungen. „Wir geben dem Software-Agenten keinen Lösungsweg vor, sondern belohnen Erfolg und bestrafen Misserfolg“, erklärt Klaus-Robert Müller von der Technischen Universität Berlin. Der Algorithmus versucht in der Trainingsphase immer wieder, die gestellte Aufgabe zu lösen, lernt durch seine positiven und negativen Erfahrungen und nähert sich so der Lösung.
„In unserem Fall bekam der Agent die Aufgabe, einzelne Moleküle aus einer Schicht zu entfernen, in der sie über ein komplexes Netzwerk an chemischen Bindungen festgehalten werden. Konkret handelte es sich dabei um Perylen-Moleküle, wie sie etwa für Farben und organischen Leuchtdioden verwendet werden“, erklärt Tautz‘ Kollege Christian Wagner.
Erfolg im molekularen Puzzlespiel
Das von den Forschern entwickelte Programm startete zunächst mit zufälligen Bewegungsmustern, die das Molekül nicht herauslösen konnten. Anhand seiner Erfahrungen lernte der Algorithmus selbstständig, wann welche Bewegungen die größten Aussichten auf Erfolg hatten. Mit der Zeit wurde er immer besser und konnte am Ende tatsächlich einzelne Moleküle entfernen.
„Das ist das erste Mal überhaupt, dass es gelungen ist, künstliche Intelligenz und Nanotechnologie zusammenzubringen“, sagt Müller. Der lernfähige Roboter erledigte autonom eine Aufgabe im Nanomaßstab, die bislang nur von Menschen gelöst werden konnte.
Erster Schritt zur automatischen Fertigung im Nanomaßstab
Die Methode der Forscher ist für die Entwicklung neuer nanotechnologischer Fertigungstechnologien, wie der eines molekularen 3D-Druckers interessant. „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“, sagt Wagner.
„Bis jetzt handelt es sich zwar ausschließlich um ein ‚Proof of Principle‘“, erklärt Tautz. „Doch wir sind zuversichtlich, dass unsere Arbeit Wegbereiter für die robotergestützte, automatische Konstruktion funktioneller, supramolekularer Strukturen sein wird, beispielsweise von molekularen Transistoren und Speicherzellen – in einer Geschwindigkeit, Präzision und Ausdauer, die unsere derzeitigen Möglichkeiten weit übertreffen.“ (Science Advances, 2020; doi: 10.1126/sciadv.abb6987)
Quelle: Forschungszentrum Jülich, TU Berlin
