Syvästi oppinut atomien kokoaja

28.12.2022

Aalto-syvaoppinut-atomirakentajarobotti-1-250.jpgAalto yliopiston tutkijat käyttivät syvää vahvistusoppimista ohjatakseen robottikädellä atomeja hilan muotoon uusien materiaalien tai nanolaitteiden rakentamiseksi.

Erittäin kylmässä tyhjiökammiossa yksittäiset hopea-atomit muodostavat tähtimäisen hilan. Tarkka muodostelma ei ole sattumaa, eikä sitä myöskään ole rakennettu ihmiskäsin.

Tutkijat käyttivät eräänlaista tekoälyä, jota kutsutaan syvävahvistusoppimiseksi, ohjaamaan atomeja, joista jokainen on kooltaan nanometrin murto-osa, hilan muotoon.

Pääasiallinen syvävahvistusoppimisen sovellus on robotiikassa, sanoo tohtoritutkija I-Ju Chen. "Rakennamme myös robottikäsiä syvän oppimisen avulla, mutta että atomien liikuttamiseen", hän hehkuttaa. "Vahvistusoppiminen onnistuu esimerkiksi shakin tai videopelien pelaamisessa, mutta olemme soveltaneet sitä nyt nanomittakaavan teknisten ongelmien ratkaisemiseen."

Joten miksi tiedemiehet ovat kiinnostuneita tarkasti liikuteltavista atomeista? Yksittäisiin atomeihin perustuvien erittäin pienten laitteiden valmistaminen on tärkeää nanolaitteille, kuten transistoreille tai muistille.

Chen kertoo, että kuinka testata se toimivatko nanolaitteet absoluuttisilla rajoillaan, on yksi sovellus tämän kaltaiselle atomistiselle manipulaatiolle. Uusien materiaalien rakentaminen atomi atomilta perinteisten kemiallisten tekniikoiden sijaan voi myös paljastaa mielenkiintoisia suprajohtavuuteen tai kvanttitiloihin liittyviä ominaisuuksia.

Aalto-syvaoppinut-atomirakentajarobotti-2-200.jpgChenin ja kollegoiden Finnish Center for Artificial Intelligence (FCAI) ja Aalto-yliopistossa valmistama hopeatähtihila on osoitus siitä, mitä syvävahvistusoppiminen voi saavuttaa. "Atomien tarkka liike on vaikeaa jopa ihmisasiantuntijoille", Chen sanoo. ”Muokkaamme olemassa olevaa syvävahvistusoppimista tähän tarkoitukseen.

Algoritmin oppiminen kesti noin yhden päivän ja sitten hilan rakentamiseen noin tunnin." Tämän tyyppisen syväoppimisen vahvistava osa viittaa siihen, kuinka tekoälyä ohjataan – palkitsemalla oikeista toimista tai tuloksista. "Anna sille tavoite, niin se tekee sen. Se voi ratkaista ongelmia, joita ihmiset eivät osaa ratkaista."

Tämän lähestymistavan soveltaminen nanotieteen materiaalien maailmaan on uutta. Nanotekniikat voivat tulla tehokkaammiksi koneoppimisen avulla, Chen sanoo, koska se voi nopeuttaa parametrien valintaa ja kokeiluja, joita yleensä tekee ihminen.

"Osoitimme, että tämä tehtävä voidaan suorittaa täydellisesti vahvistusoppimisen avulla", Chen päättää.

Aiheesta aiemmin:

Atomi kerrallaan

Tunteiden tunnistamista langattomilla signaaleilla (syväoppimisesta)

13.06.2024Pienenergian keruu tehostuu
12.06.2024Uusia menetelmiä 2D-materiaalien muokkaukseen
11.06.2024Infrapunan kuvaustekniikkaa arkikäyttöön
10.06.2024Kalsiumoksidin kvanttisalaisuus: lähes kohinattomat kubitit
07.06.2024Tehdä sähköä metallista ja ilmasta
06.06.2024Hämä-hämähäkki kiipes elektroniikkaan
05.06.2024Sirutason GHz:n aikakiteitä puolijohteisilla fotonirakenteilla
04.06.2024Ionikuljetuksen hallintaa sinisen energian tulevaisuudelle
03.06.2024Parempia kameroita perovskiitilla
31.05.2024Nanokielet voivat väristä lähes ikuisesti

Siirry arkistoon »