Lernen und Kontrolle für die molekulare Nanofabrikation
Um den Bereich der SPM-basierten Herstellung molekularer Nanostrukturen voranzubringen, führen wir maschinelles Lernen und Kontrolltheorie in diesen Bereich ein. So leisteten wir beispielsweise Pionierarbeit bei der autonomen Nanofabrikation mit Hilfe eines Agenten für verstärkendes Lernen und kombinierten maschinelles Lernen und Kontrolltheorie, um molekulare Konformationen während der Manipulation aufzudecken und die Rasterquantenpunktmikroskopie zu beschleunigen.
Unser Ziel ist es, die molekulare Manipulation zu verstehen und zu nutzen[1]. Die Komplexität von Manipulationsexperimenten und der entsprechend hohe Rechenaufwand für realistische Simulationen erfordern einen datengesteuerten Ansatz. Wir verfolgen eine mehrdimensionale Strategie. Einerseits konzentrieren wir uns auf die Herstellung von Molekülen durch einen selbstlernenden Agenten, wodurch das SPM zu einem autonomen Roboter wird, der bestimmte Manipulationsaufgaben erfüllen kann [2]. Der Agent ist so konzipiert, dass er mit den spärlichen Informationen, die von der SPM zur Verfügung stehen, und mit der intrinsischen Variabilität auf der Nanoskala zurechtkommt. Wichtig ist, dass der Agent die tatsächliche molekulare Konformation nicht kennen muss.
Auf der anderen Seite nutzen wir maschinelles Lernen und Konzepte der Kontrolltheorie, wie z. B. Partikelfilter, um molekulare Konformationen im Experiment zu "beobachten". Zu diesem Zweck wird maschinelles Lernen beispielsweise zur Beschleunigung von Molekularsimulationen eingesetzt [3]. Ergänzt mit virtueller Realität [4], werden diese Konzepte es uns schließlich ermöglichen, Änderungen der Molekülkonformation während eines Manipulationsexperiments in Echtzeit zu visualisieren.
