Home >

Bauen mit Molekülen dank Reinforced Learning

Bauen mit Molekülen dank Reinforced Learning

Der Roboter löst und ein einzelnes Molekül aus einer Struktur heraus.
(© Forschungszentrum Jülich / Dr. Christian Wagner)

In einer gemeinsamen Arbeit von der Gruppe für Maschinelles Lernen an der TU Berlin, geleitet von BIFOLD-Ko-Direktor Prof. Dr. Klaus-Robert Müller und Jülich’s Quantum Nanoscience Institut, geleitet von Prof. Dr. Stefan Tautz, befähigten Forschende einen Roboter, einzelne Moleküle aus einer Struktur herauszugreifen und zu bewegen. Um dies zu erreichen wurden Reinforced-Learning-Methoden eingesetzt. Das System lernte sowohl in der realen Umgebung als auch parallel an einem Modell. Das entsprechende Paper wurde in „Science Advances“ veröffentlicht.

"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, Speicherzellen oder Qubits – in einer Geschwindigkeit, Präzision und Ausdauer, die unsere derzeitigen Möglichkeiten weit übertreffen.“

Die Falling Walls Foundation ehrte diese Arbeit, indem sie Prof. Dr. Stefan Tautz während der „Berlin Science Week Falling Walls“-Veranstaltung im november 2020 als einen der Gewinner des Scientific Breakthrough in der Kategorie „Engineering and Technology“ benannte.

Schauen Sie sich Prof. Tautz' Rede bei der Berlin Science Week auf YouTube an.

Weitere Informationen finden Sie in der offiziellen Pressemitteilung der TU Berlin.

Das Paper im Detail:

Autonomous robotic nanofabrication with reinforcement learning

Authors: Philipp Leinen, Malte Esders, Kristof T. Schütt, Christian Wagner, Klaus-Robert Müller, F. Stefan Tautz

Abstract:
The ability to handle single molecules as effectively as macroscopic building blocks would enable the construction of complex supramolecular structures inaccessible to self-assembly. The fundamental challenges obstructing this goal are the uncontrolled variability and poor observability of atomic-scale conformations. Here, we present a strategy to work around both obstacles and demonstrate autonomous robotic nanofabrication by manipulating single molecules. Our approach uses reinforcement learning (RL), which finds solution strategies even in the face of large uncertainty and sparse feedback. We demonstrate the potential of our RL approach by removing molecules autonomously with a scanning probe microscope from a supramolecular structure. Our RL agent reaches an excellent performance, enabling us to automate a task that previously had to be performed by a human. We anticipate that our work opens the way toward autonomous agents for the robotic construction of functional supramolecular structures with speed, precision, and perseverance beyond our current capabilities.

Published in: Science Advances  02 Sep 2020: Vol. 6, no. 36, eabb6987