q&more
Meine Merkliste
my.chemie.de  
Login  

News

Autonomer Roboter spielt mit NanoLEGO

Wissenschaftler entwickeln eine autonome Künstliche Intelligenz, die gezielt einzelne Moleküle greifen und verschieben kann

Forschungszentrum Jülich / Christian Wagner

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

07.09.2020: Moleküle sind die Bausteine des Alltags. Die meisten Materialien setzen sich aus ihnen 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“. Jülicher und Berliner Wissenschaftler haben jetzt eine künstliche Intelligenz entwickelt, die selbstständig lernt, wie sie einzelne Moleküle mittels eines Rastertunnelmikroskops greifen und bewegen kann. Die in Science Advances beschriebene Methode ist nicht nur die für die Forschung, sondern auch für neuartige Fertigungstechnologien wie den molekularen 3D-Druck relevant.

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.

Den Schlüssel liegt in dem sogenannten Reinforcement Learning, einer speziellen Variante des maschinellen Lernens. „Wir geben dem Software-Agenten keinen Lösungsweg vor, sondern belohnen Erfolg und bestrafen Misserfolg“, erklärt Prof. Dr. Klaus-Robert Müller, Leiter des Fachgebiets Maschinelles Lernen an der Technischen Universität Berlin. Der Algorithmus versucht immer wieder, die gestellte Aufgabe zu lösen und lernt aus seinen Erfahrungen. In der breiten Öffentlichkeit bekannt geworden ist Reinforcement Learning vor ein paar Jahren durch AlphaGo Zero: Die künstliche Intelligenz entwickelte eigenständig Gewinn-Strategien des hochkomplexen Go-Spiels, ohne menschliche Spieler zu studieren – und war schon nach wenigen Tagen in der Lage, professionelle Go-Spieler zu besiegen.

„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 Christian Wagner. Die besondere Herausforderung: Die aufgewendete Kraft für die Bewegung darf niemals die Stärke der Bindung überschreiten, mit der die Spitze des Rastertunnelmikroskops das Molekül anzieht, da diese Verbindung sonst bricht. „Die Spitze muss dafür ein spezielles Bewegungsmuster ausführen, das wir früher, im wahrsten Sinne des Wortes, per Hand herausfinden mussten“, so Christian Wagner. Während der Softwareagent anfangs völlig zufällige Bewegungsaktionen ausführt, die die Bindung zwischen Spitze und Molekül abreißen lassen, entwickelt er mit der Zeit Regeln, welche Bewegung in welcher Situation am erfolgversprechendsten ist und wird daher mit jedem Durchlauf besser.

Der Einsatz des Reinforcement Learning im nanoskopischen Bereich hält jedoch 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.

„Das ist das erste Mal überhaupt, dass es gelungen ist, künstliche Intelligenz und Nanotechnologie zusammenzubringen“, betont Klaus-Robert Müller. „Bis jetzt handelt es sich zwar ausschließlich um ein ‚Proof of Principle‘“, erklärt Stefan 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.“

Originalveröffentlichung:
Philipp Leinen, Malte Esders, Kristof T. Schütt, Christian Wagner, Klaus-Robert Müller, F. Stefan Tautz; "Autonomous robotic nanofabrication with reinforcement learning"; Science Advances; published online 2 September 2020

Fakten, Hintergründe, Dossiers

  • künstliche Intelligenz
  • Moleküle
  • Rastertunnelmikroskope
  • 3D-Druck
  • Rapid Prototyping
  • maschinelles Lernen

Mehr über Forschungszentrum Jülich

  • News

    Neuer Hinweis auf Zusammenhang zwischen Alzheimer und Diabetes

    Krankhaft verklumpte Eiweiße sind für eine ganze Reihe von Erkrankungen charakteristisch, unter anderem Alzheimer, Parkinson und der verbreitete Typ-2-Diabetes. Wissenschaftler des Forschungszentrums Jülich, der Heinrich-Heine-Universität Düsseldorf und der Universität Maastricht haben mitt ... mehr

    Kavli-Preis für Wegbereiter der modernen Elektronenmikroskopie

    Der Kavli-Preis für Nanowissenschaften geht in diesem Jahr an Prof. Knut Urban vom Forschungszentrum Jülich. Der Wissenschaftler, ehemals Direktor des Instituts für Mikrostrukturforschung sowie des Ernst Ruska-Centrums für Mikroskopie und Spektroskopie mit Elektronen (ER-C), erhält die Ausz ... mehr

    Rastertunnelmikroskop zeigt Magnetismus in atomarer Auflösung

    Wissenschaftler aus Frankreich, Spanien und Deutschland haben einen Durchbruch bei der Vermessung magnetischer Strukturen erzielt. Den Forschern der Universität Straßburg sowie der Forschungszentren in San Sebastián und Jülich ist es gelungen, die magnetischen Momente bis auf die atomare Eb ... mehr

  • q&more Artikel

    Makromolekulare Umgebungen beeinflussen Proteine

    Eine intensive Wechselwirkung von Proteinen mit anderen Makromolekülen kann wichtige Eigenschaften von Proteinen wie z. B. die Translationsbeweglichkeit oder den Konformationszustand signifi kant verändern. mehr

    Koffein-Kick

    Koffein ist die weltweit am weitesten verbreitete psycho­aktive Substanz. Sie findet sich als Wirkstoff in Getränken wie Kaffee, Tee und sog. Energy Drinks. Koffein kann Vigilanz und Aufmerksamkeit erhöhen, Schläfrigkeit reduzieren und die kognitive Leistungsfähigkeit steigern. Seine neurob ... mehr

  • Autoren

    Prof. Dr. Jörg Fitter

    Jg. 1963, studierte Physik an der Universität Hamburg. Nach seiner Promotion an der FU Berlin war er im Bereich der Neutronenstreuung und der molekularen Biophysik am HahnMeitnerInstitut in Berlin und am Forschungszentrum Jülich tätig. Er habilitierte sich in der Physikalischen Biologie der ... mehr

    Dr. David Elmenhorst

    David Elmenhorst, geb. 1975, studierte Medizin in Aachen und promovierte am Deutschen Zentrum für Luft- und Raumfahrt in Köln im Bereich der Schlafforschung. 2008/2009 war er Gastwissenschaftler am Brain Imaging Center des Montreal Neuro­logical Institut in Kanada. Seit 2003 ist er in der A ... mehr

    Prof. Dr. Andreas Bauer

    Andreas Bauer, geb. 1962, studierte Medizin und Philo­sophie in Aachen, Köln und Düsseldorf, wo er auf dem Gebiet der Neurorezeptorautoradiografie promovierte. Seine Facharztausbildung absolvierte er an der Universitätsklinik Köln, er habilitierte an der Universität Düsseldorf im Fach Neuro ... mehr

q&more – die Networking-Plattform für exzellente Qualität in Labor und Prozess

q&more verfolgt den Anspruch, aktuelle Forschung und innovative Lösungen sichtbar zu machen und den Wissensaustausch zu unterstützen. Im Fokus des breiten Themenspektrums stehen höchste Qualitätsansprüche in einem hochinnovativen Branchenumfeld. Als moderne Wissensplattform bietet q&more den Akteuren im Markt einzigartige Networking-Möglichkeiten. International renommierte Autoren repräsentieren den aktuellen Wissenstand. Die Originalbeiträge werden attraktiv in einem anspruchsvollen Umfeld präsentiert und deutsch und englisch publiziert. Die Inhalte zeigen neue Konzepte und unkonventionelle Lösungsansätze auf.

> mehr zu q&more

q&more wird unterstützt von:

 

Ihr Bowser ist nicht aktuell. Microsoft Internet Explorer 6.0 unterstützt einige Funktionen auf Chemie.DE nicht.