AMAN-SPM: Autonome Molekulare und Atomare Nanofabrikation
AMAN-SPM: Autonomous Molecular and Atomic Nanofabrication
Wissenschaftsdisziplinen
Informatik (20%); Physik, Astronomie (80%)
Keywords
-
Reinforcement Learning,
Scanning Probe Microscopy,
On-surface synthesis,
Artificial Molecules,
Autonomous Nanofabrication
Im Projekt AMAN-SPM werde ich Moleküle autonom auf Metalloberflächen synthetisieren und zu funktionalen Nanostrukturen anordnen, die mit herkömmlichen chemischen Methoden nicht zugänglich sind. Dazu werde ich einen innovativen Ansatz des maschinellen Lernens entwickeln, der zunächst neue Moleküle synthetisiert und diese dann präzise positioniert und ausrichtet, so dass die reaktiven Seiten der Moleküle nahe beieinander und zueinander ausgerichtet sind. Dies ermöglicht schließlich die gezielte Erzeugung chemischer Bindungen durch einen Spannungspuls, der mit der Spitze eines Rastersondenmikroskops (SPM) erzeugt wird. Die größte Herausforderung liegt in den komplexen Wechselwirkungen zwischen den Molekülen, der Metalloberfläche und der Sondenspitze. Um die Synthese auf der Oberfläche genau kontrollieren zu können, ist es wichtig, die Ergebnisse jeder Manipulation zu verstehen. Da diese Ergebnisse oft ein sehr stochastisches Verhalten zeigen, stark von den Manipulationsparametern abhängen und die zugrundeliegende Physik unbekannt ist, ist die manuelle Kontrolle einzelner Moleküle schwer zu verstehen. Um schließlich funktionsfähige Nanostrukturen zu erhalten, werden hunderte einzelner Moleküle benötigt, die einzeln in die Nanostruktur eingebaut werden, was sehr zeitaufwendig, repetitiv und daher für den Menschen nicht durchführbar ist. Im Projekt AMAN-SPM wird ein innovativer Oberflächensyntheseprozess entwickelt, bei dem ein Rastersondenmikroskop durch einen maschinellen Lernalgorithmus gesteuert wird. Der verwendete Lernalgorithmus, bekannt als Reinforcement Learning, benötigt kein Vorwissen über die physikalischen Wechselwirkungsprozesse. Stattdessen lernt er die optimalen Manipulationsparameter durch Experimente. Die Methode ist vielseitig einsetzbar, da sie sich auf unterschiedliche Systeme anwenden lässt und von der Synthese einzelner Moleküle bis zum Aufbau komplexer Nanostrukturen skalierbar ist. Zudem ermöglicht die Analyse der gewonnenen Daten ein tieferes Verständnis der zugrundeliegenden Wechselwirkungen und physikalischen Prozesse.
- Technische Universität Graz - 100%
- Bettina Könighofer, Technische Universität Graz , nationale:r Kooperationspartner:in
- Qigang Zhong - China