AI & computing › AI-ontworpen materialen
AI bestuurt microscoop en bouwt 25 uur lang materiaal atoom voor atoom
Amerikaanse onderzoekers hebben een kunstmatige intelligentie losgelaten op een supergevoelige microscoop die individuele moleculen kan verplaatsen. Het systeem bouwde zelfstandig, 25 uur aan één stuk, een kunstmatig rooster van 37 moleculen dat zich gedraagt als grafeen. De doorbraak moet de weg vrijmaken voor materialen die op bestelling worden gebouwd, tot aan onderdelen voor kwantumcomputers aan toe.
Onderzoekers van het Amerikaanse Oak Ridge National Laboratory (ORNL) hebben een kunstmatige intelligentie geleerd om zelfstandig materialen te bouwen, atoom voor atoom en molecuul voor molecuul. Het team, verbonden aan het Center for Nanophase Materials Sciences van ORNL, publiceerde de resultaten in het wetenschappelijke tijdschrift ACS Nano. Waar het verplaatsen van losse moleculen tot nu toe mensenwerk was - traag, foutgevoelig en met risico op beschadiging van dure apparatuur - deed de AI het nu 25 uur achter elkaar zonder menselijke hulp.
De sleutel tot het succes ligt in de combinatie van twee AI-technieken. Voor het 'zien' gebruikten de onderzoekers een objectdetectie-model genaamd YOLO ('You Only Look Once'), dat razendsnel individuele moleculen op een kopervlakje herkent. Voor het 'beslissen' zetten ze reinforcement learning in: een AI-techniek waarbij het systeem via vallen en opstaan leert welke aanpak het beste werkt. Elke geslaagde verplaatsing van een molecuul naar de juiste plek leverde een beloning op, elke mislukte poging juist niet. Zo leerde de AI zelf de ideale combinatie van elektrische stroom, spanning en snelheid om moleculen te duwen zonder de gevoelige naald van de microscoop te beschadigen.
Grafeen namaken, atoom voor atoom
Als test bouwde de AI een kunstmatig honingraatpatroon van 37 moleculen na dat lijkt op grafeen, het beroemde supersterke en supergeleidende materiaal van één laag koolstofatomen. Om te bewijzen dat het kunstmatige rooster zich ook echt als grafeen gedraagt, zochten de onderzoekers naar een zogeheten Diracpunt: een specifiek elektronisch kenmerk dat alleen optreedt als de elektronen zich exact volgens de grafeen-fysica gedragen. Dat punt werd gevonden, wat aantoont dat het door AI gebouwde materiaal elektronisch echt hetzelfde doet als natuurlijk grafeen. Om de veelzijdigheid te laten zien, spelde de AI ook gewoon de letters 'ORNL' met losse moleculen.
De techniek die dit mogelijk maakt, heet tunnelspectroscopie: de microscoopnaald voelt en beweegt atomen via een piepklein elektrisch stroompje dat tussen naald en oppervlak 'tunnelt'. Deze methode bestaat al decennia, maar werd tot nu toe vrijwel altijd handmatig bediend.
Nog geen volautomatisch proces
Helemaal zonder mens gaat het nog niet. Zo nu en dan moet een operator ingrijpen om de microscoopnaald te herstellen als die instabiel wordt. Ook is het bouwproces nog tijdrovend: voor het rooster van 37 moleculen waren ongeveer 900 stappen nodig, verspreid over 25 uur, met elke individuele verplaatsing zo'n minuut werk.
Onderzoeker Ganesh Narasimha, die de kernsoftware ontwikkelde samen met collega Rama Vasudevan, noemt de aanpak een verschuiving van het ontdekken van materialen in de natuur naar het naar wens ontwerpen van 'kunstmatige roosters' met precies de elektronische eigenschappen die je wilt. Het team, waaronder ook Mykola Telychko en Wooin Yang, denkt dat toekomstige systemen kunnen werken met 'inverse design': een wetenschapper beschrijft welke elektronische eigenschap een materiaal moet hebben, en de AI bedenkt en bouwt zelf de bijpassende atoomstructuur. Dat zou een belangrijke stap zijn richting topologische qubits, bouwstenen voor extreem stabiele kwantumcomputers, en richting nieuwe generaties supersnelle elektronica en geheugenchips.
Achtergrond & begrippen
Wat betekent dit voor de toekomst? Als AI straks zelfstandig materialen kan ontwerpen én bouwen met precies de elektronische eigenschappen die onderzoekers vragen, opent dat de deur naar volledig op maat gemaakte chips, sensoren en kwantumcomponenten. Dat kan de zoektocht naar nieuwe materialen enorm versnellen, van snellere elektronica tot de bouwstenen voor toekomstige kwantumcomputers. Voorlopig blijft het proces nog traag en deels afhankelijk van menselijk toezicht, maar de eerste stap richting geautomatiseerde materiaalfabricage op atomair niveau is gezet.
- YOLO
- Een populair AI-model voor objectdetectie dat in één oogopslag objecten in een beeld herkent en lokaliseert; hier gebruikt om moleculen op een oppervlak te vinden.
- Reinforcement learning
- Een manier van machine learning waarbij een systeem via beloningen leert welke acties tot het beste resultaat leiden, vergelijkbaar met leren door vallen en opstaan.
- Scanning tunneling microscoop
- Een microscoop die met een extreem scherpe naald en een klein elektrisch tunnelstroompje individuele atomen en moleculen kan zien en verplaatsen.
- Tunnelspectroscopie
- De techniek waarbij een minuscuul elektrisch stroompje tussen microscoopnaald en oppervlak wordt gebruikt om atomen te detecteren en te manipuleren.
- Diracpunt
- Een specifiek elektronisch kenmerk in de energieband van een materiaal dat bewijst dat elektronen zich gedragen zoals in echt grafeen.
- Kunstmatig rooster
- Een door mensen (of AI) opgebouwd, herhalend patroon van atomen of moleculen dat de onderliggende structuur van een materiaal vormt, los van wat in de natuur voorkomt.
- Inverse design
- Een ontwerpaanpak waarbij eerst de gewenste eigenschap van een materiaal wordt vastgelegd, waarna een systeem (zoals AI) zelf de bijpassende structuur bedenkt.
- Topologische qubit
- Een extra stabiele bouwsteen voor kwantumcomputers, waarvan de informatie beter beschermd is tegen storingen dan bij gangbare qubits.
- ACS Nano
- Een gerenommeerd wetenschappelijk tijdschrift gericht op onderzoek in de nanotechnologie, waarin deze studie werd gepubliceerd.
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.
