Новаторская исследовательская группа из Технологического университета Граца (TUGraz) использует искусственный интеллект, чтобы значительно улучшить способы создания наноструктур. Их цель — разработать самообучающуюся систему искусственного интеллекта, которая сможет автономно позиционировать молекулы с беспрецедентной точностью, что потенциально совершит революцию в производстве сложных молекулярных структур и квантовых барьеров для современных электронных устройств.
Свойства материала часто определяются не его химическим составом, а расположением его молекул внутри атомной решетки или на ее поверхности. Ученые-материаловеды используют этот принцип для определения местоположения отдельных атомов и молекул на поверхностях с помощью высокопроизводительных микроскопов. Однако этот процесс требует много времени, и получаемые наноструктуры все еще относительно просты.
Исследовательская группа Технологического университета Граца надеется произвести революцию в этом подходе с помощью искусственного интеллекта. «Мы хотели разработать самообучающуюся систему искусственного интеллекта, которая могла бы быстро, точно и совершенно автономно перемещать отдельные молекулы в правильном направлении», — сказал Оливер Хофманн из Института физики твердого тела, возглавлявший исследовательскую группу. «Эта разработка может позволить создавать очень сложные молекулярные структуры, включая наноразмерные логические схемы».
Исследовательская группа под названием «Молекулярная организация с помощью искусственного интеллекта» получила 1,19 миллиона евро (1,23 миллиона долларов) от Австрийского научного фонда, чтобы воплотить эту идею в жизнь.
«Одиночная туннельная микроскопия может использоваться для обнаружения отдельных молекул на поверхности материала. Наконечник зонда излучает электрический импульс, который откладывает переносимые молекулы». Оливер Хофманн сказал: «Для простой молекулы этот этап можно выполнить всего за несколько минут. Однако, чтобы построить сложные структуры с потенциальными стимулирующими эффектами, тысячи сложных молекул должны быть расположены индивидуально, а затем протестированы. Конечно, это занимает относительно много времени».
Однако сканирующие туннельные микроскопы также могут управляться компьютерами. Команда Оливера-Хоффмана теперь надеется использовать различные методы машинного обучения, чтобы позволить такой компьютерной системе самостоятельно размещать молекулы в правильном положении. Во-первых, методы искусственного интеллекта используются для расчета оптимального плана, описывающего наиболее эффективный и надежный способ построения конструкции. Затем самообучающийся алгоритм искусственного интеллекта управляет кончиком зонда, размещая молекулы точно так, как планировалось.
«Обнаружение сложных молекул с высочайшей точностью — сложный процесс, потому что, несмотря на наилучший контроль, их расположение всегда подвержено некоторой степени случайности», — объясняет Хофманн. «Исследователи интегрируют этот фактор условной вероятности в систему искусственного интеллекта, чтобы она по-прежнему функционировала надежно».
Используя сканирующие туннельные микроскопы, управляемые искусственным интеллектом, которые могут работать круглосуточно, исследователи в конечном итоге надеются построить так называемые квантовые заборы. Эти наноструктуры в форме затвора можно использовать для улавливания электронов из осажденных на них материалов. Волновые свойства электронов приводят к квантово-механической интерференции, которую можно использовать для практических приложений. До сих пор квантовые барьеры в основном состояли из одиночных атомов.
Команда Оливера-Хофмана теперь надеется сделать их из молекул сложной формы: «Наша гипотеза состоит в том, что это позволит нам создавать более разнообразные квантовые барьеры и, таким образом, целенаправленно расширять их эффекты. Исследователи надеются использовать эти более сложные квантовые барьеры для создания логических схем, чтобы фундаментально изучить, как они работают на молекулярном уровне. Теоретически, такие квантовые барьеры однажды можно будет использовать для изготовления компьютерных чипов».
В течение пятилетней программы исследовательская группа объединила опыт в области искусственного интеллекта, математики, физики и химии. Беттина Кёнигхофер из Института информационной безопасности отвечает за разработку модели машинного обучения. Ее команда должна была гарантировать, что самообучающаяся система не уничтожит случайно построенные ею наноструктуры.
Юсси Берндт из Института прикладной математики теоретически определит фундаментальные свойства разрабатываемых структур, а Маркус Айххорн из Института теоретической физики воплотит эти предсказания в практическое применение. Леонард Грилл из Института химии Университета Граца в основном отвечает за реальные эксперименты на сканирующем туннельном микроскопе.
Составлено из /ScitechDaily