محققان کوچکترین بازوی روباتیکی که می توانید آن را تصور کنید را توسط هوش مصنوعی کنترل کردند. این بازو برای چیدمان اتم ها با دقت بالا آموزش دیده است.
کوچکترین بازوی روباتیکی که توسط هوش مصنوعی کنترل می‌شود
در یک محفظه خلاء بسیار سرد، اتم‌های منفرد نقره یک شبکه شبیه به ستاره را تشکیل می‌دهند. شکل‌گیری دقیق تصادفی نیست هرچند که مستقیم توسط دست انسان نیز ساخته نشده است. محققان از نوعی هوش مصنوعی به نام یادگیری تقویت عمیق برای هدایت اتم‌ها استفاده کردند.
نتایج این پروژه در قالب مقاله‌ای با عنوان دستکاری دقیق اتم از طریق یادگیری تقویت‌شده عمیق در نشریه Nature Communications به چاپ رسیده است. این روند شبیه به حرکت تیله‌ها در اطراف یک تخته چکرز چینی است، اما با موچین‌های بسیار ریز و درشت، هر اتم به جای خود کشیده می‌شود.
هوش مصنوعی یاد می‌گیرد که اتم‌ها را دقیق و کارآمد از طریق تعامل با محیط میکروسکوپ تونل‌زنی روبشی دستکاری کند. ایجو چین، از محققان این پروژه می‌گویدک «کاربرد اصلی یادگیری تقویت عمیق در روباتیک است.»
او توضیح می‌دهد: «ما با یادگیری عمیق، بازوهای رباتیک می‌سازیم. یادگیری تقویت‌شده در مواردی مانند بازی شطرنج یا بازی‌های ویدیویی موفق است، اما ما آن را برای حل مسائل فنی در حوزه نانو استفاده کردیم.»
اما اصلا چرا دانشمندان علاقه‌مند به دستکاری دقیق اتم‌ها هستند؟
ساخت دستگاه‌های بسیار کوچک بر اساس اتم‌های منفرد مانند ترانزیستورها یا حافظه مهم است. چن می‌گوید آزمایش چگونگی و اینکه آیا این دستگاه‌ها کار می‌کنند، یکی از کاربردهای این نوع دستکاری اتمی است. ساخت مواد جدید اتم به اتم، به جای روش‌های شیمیایی سنتی، ممکن است خواص جالب مربوط به ابررسانا یا حالت‌های کوانتومی را نشان دهد. چن می‌گوید: «حرکت دقیق اتم‌ها حتی برای متخصصان سخت است. ما برای این منظور یادگیری تقویت عمیق موجود را به کار گرفتیم. این الگوریتم به ترتیب یک روز برای یادگیری و سپس حدود یک ساعت برای ساخت شبکه زمان نیاز داشت. بخش تقویت‌شده این نوع یادگیری عمیق با هدایت هوش مصنوعی از طریق پاداش برای اقدامات صحیح یا خروجی انجام می‌شود. به هوش مصنوعی هدف بدهید، او این کار را انجام می‌دهد. این سامانه می‌تواند مشکلاتی را که انسان از حل آن عاجز است را حل می‌کند.»
استفاده از این رویکرد برای دنیای مواد نانو جدید است. چن می‌گوید، با یادگیری ماشینی حوزه فناوری‌نانو می‌تواند قدرتمندتر شوند، زیرا می‌تواند انتخاب پارامتر و آزمایش و خطا را که معمولاً توسط شخص انجام می‌شود تسریع کند. چن نتیجه می‌گیرد: «ما نشان دادیم که این کار می‌تواند کاملاً از طریق یادگیری ماشینی انجام شود.»
