Eine bahnbrechende Forschungsgruppe an der Technischen Universität Graz (TUGraz) nutzt künstliche Intelligenz, um die Art und Weise, wie Nanostrukturen aufgebaut werden, drastisch zu verbessern. Ihr Ziel ist die Entwicklung eines selbstlernenden künstlichen Intelligenzsystems, das Moleküle autonom mit beispielloser Präzision positionieren kann und möglicherweise die Herstellung komplexer molekularer Strukturen und Quantenzäune für fortschrittliche elektronische Geräte revolutioniert.
Die Eigenschaften eines Materials werden oft nicht durch seine chemische Zusammensetzung, sondern durch die Anordnung seiner Moleküle innerhalb eines Atomgitters oder auf seiner Oberfläche bestimmt. Materialwissenschaftler nutzen dieses Prinzip, um mit Hochleistungsmikroskopen einzelne Atome und Moleküle auf Oberflächen zu lokalisieren. Allerdings ist dieser Prozess zeitaufwändig und die resultierenden Nanostrukturen sind noch relativ einfach.
Ein Forschungsteam der TU Graz will diesen Ansatz mithilfe künstlicher Intelligenz revolutionieren. „Wir wollten ein selbstlernendes künstliches Intelligenzsystem entwickeln, das einzelne Moleküle schnell, präzise und völlig autonom in die richtige Richtung positionieren kann“, sagte Oliver Hofmann vom Institut für Festkörperphysik, der das Forschungsteam leitete. „Diese Entwicklung könnte den Aufbau hochkomplexer molekularer Strukturen, einschließlich nanoskaliger Logikschaltungen, ermöglichen.“
Um diese Vision in die Realität umzusetzen, hat die Forschungsgruppe mit dem Namen „Molekulare Anordnung durch Künstliche Intelligenz“ 1,19 Millionen Euro (1,23 Millionen US-Dollar) vom Österreichischen Wissenschaftsfonds erhalten.
„Mit der Vereinzelungstunnelmikroskopie können einzelne Moleküle auf der Oberfläche eines Materials lokalisiert werden. Die Spitze der Sonde sendet einen elektrischen Impuls aus, der die mitgeführten Moleküle ablagert.“ Oliver Hofmann sagte: „Bei einem einfachen Molekül kann man diesen Schritt in wenigen Minuten erledigen. Um jedoch komplexe Strukturen mit potenziell stimulierender Wirkung aufzubauen, müssen Tausende komplexer Moleküle einzeln positioniert und dann getestet werden. Das dauert natürlich relativ lange.“
Rastertunnelmikroskope können jedoch auch von Computern gesteuert werden. Das Team um Oliver-Hoffmann möchte nun mithilfe verschiedener Methoden des maschinellen Lernens einem solchen Computersystem ermöglichen, Moleküle selbstständig an die richtige Position zu bringen. Zunächst wird mithilfe von Methoden der künstlichen Intelligenz ein optimaler Plan berechnet, der den effizientesten und zuverlässigsten Weg zum Bau des Bauwerks beschreibt. Ein selbstlernender Algorithmus der künstlichen Intelligenz steuert dann die Sondenspitze und platziert die Moleküle genau wie geplant.
„Komplexe Moleküle mit höchster Präzision zu lokalisieren, ist ein schwieriger Prozess, da ihre Anordnung trotz bestmöglicher Kontrolle immer einem gewissen Zufall unterliegt“, erklärt Hofmann. „Die Forscher werden diesen bedingten Wahrscheinlichkeitsfaktor in das System der künstlichen Intelligenz integrieren, damit es weiterhin zuverlässig funktioniert.“
Mit Hilfe von durch künstliche Intelligenz gesteuerten Rastertunnelmikroskopen, die rund um die Uhr arbeiten können, wollen Forscher letztlich sogenannte Quantenzäune bauen. Mithilfe dieser torförmigen Nanostrukturen können Elektronen aus darauf abgelagerten Materialien eingefangen werden. Die wellenartigen Eigenschaften von Elektronen führen zu quantenmechanischen Interferenzen, die für praktische Anwendungen genutzt werden könnten. Bisher bestehen Quantenzäune hauptsächlich aus einzelnen Atomen.
Oliver-Hofmanns Team hofft nun, sie aus Molekülen mit komplexen Formen herzustellen: „Unsere Hypothese ist, dass wir dadurch vielfältigere Quantengatter bauen und so ihre Wirkung gezielt erweitern können. Die Forscher hoffen, diese komplexeren Quantenzäune zum Aufbau logischer Schaltkreise nutzen zu können, um deren Funktionsweise auf molekularer Ebene grundlegend zu untersuchen. Theoretisch könnten solche Quantengatter eines Tages zur Herstellung von Computerchips genutzt werden.“
Während des fünfjährigen Programms vereinte das Forschungsteam Fachwissen in den Bereichen künstliche Intelligenz, Mathematik, Physik und Chemie. Bettina Könighofer vom Institut für Informationssicherheit ist für die Entwicklung des Machine-Learning-Modells verantwortlich. Ihr Team musste sicherstellen, dass das selbstlernende System die von ihm aufgebauten Nanostrukturen nicht versehentlich zerstörte.
Jussi Behrndt vom Institut für Angewandte Mathematik wird die grundlegenden Eigenschaften der zu entwickelnden Strukturen theoretisch bestimmen, während Markus Aichhorn vom Institut für Theoretische Physik diese Vorhersagen in praktische Anwendungen übersetzen wird. Für die eigentlichen Experimente des Rastertunnelmikroskops ist hauptsächlich Leonhard Grill vom Institut für Chemie der Universität Graz verantwortlich.
Zusammengestellt von /ScitechDaily