Il deep learning guida reazioni molecolari autonome con selettività a singolo legame in porfirine tetrabromurate su Au(111)

Insegnare alle macchine a modificare le molecole un legame alla volta

I chimici hanno a lungo sognato di indirizzare le reazioni con la precisione di un orologiaio, modificando esattamente un legame in una singola molecola su comando. Questo studio mostra come l’intelligenza artificiale possa compiere un grande passo verso quel sogno: un sistema controllato da computer che individua singole molecole su una superficie e rompe autonomamente legami chimici scelti, senza intervento umano diretto sulle manopole. Un controllo di questo tipo potrebbe alla fine permetterci di “scrivere” nuovi materiali atomo per atomo ed esplorare strutture molecolari esotiche che la chimica in provetta non può facilmente raggiungere.

Perché i legami singoli sono importanti

La maggior parte delle reazioni chimiche avviene in massa: innumerevoli molecole collidono e si riorganizzano secondo regole generali di termodinamica e cinetica. Pur funzionando bene per molte applicazioni, è come scolpire il marmo con un martello invece che con uno scalpello fine. Se gli scienziati potessero selezionare un singolo legame in una singola molecola e decidere se mantenerlo o romperlo, potrebbero costruire schemi molecolari su misura per l’elettronica di prossima generazione, dispositivi quantistici e memorie ultra-dense. I microscopi a effetto tunnel (STM) già permettono agli esperti di visualizzare e sondare singole molecole su superfici metalliche con risoluzione atomica. Ma finora l’esecuzione di queste reazioni si è basata sull’intuizione e sulla pazienza umane, limitando la riproducibilità, la scalabilità e la programmabilità del processo.

Trasformare il microscopio in un laboratorio a guida autonoma

Gli autori trasformano un STM convenzionale in una sorta di laboratorio chimico a guida autonoma sovrapponendo più strumenti di deep learning allo strumento. Innanzitutto, un modulo di visione computerizzata perlustra ampie aree di una superficie d’oro per individuare automaticamente molecole isolate di interesse, quindi esegue uno zoom per una visuale ravvicinata. Reti neurali aggiuntive tracciano il contorno di ciascuna molecola, ne determinano l’orientamento e ispezionano quattro angoli specifici dove si trovano gli atomi di bromo. Analizzando piccole porzioni d’immagine in questi angoli, il sistema decide se ciascun bromo è ancora attaccato o è stato rimosso in uno step precedente, tenendo efficacemente traccia dello stato “legame per legame” della molecola senza che un operatore umano interpreti le immagini.

Un agente AI che impara a rompere legami

Una volta riconosciuta la molecola e noto il suo stato attuale, un agente di reinforcement learning sceglie come agire. Tratta ogni tentativo di rompere un legame come una mossa in un gioco complesso, dove la posizione della punta dello STM, la tensione e la corrente sono le sue mosse, e la conseguente modifica molecolare è il feedback. Il sistema codifica i quattro stati dei legami come un semplice schema a quattro bit e aggiunge un codice per il percorso complessivo che intende seguire. Usando un algoritmo moderno chiamato soft actor-critic, l’agente impara gradualmente quali combinazioni di posizionamento della punta e impulsi elettrici portano a una rottura pulita di un singolo legame carbonio–bromo, quali non provocano alcun effetto e quali danneggiano o fanno reagire eccessivamente la molecola. Esiste una finestra ristretta di operatività sicura ed efficace, e nelle fasi iniziali dell’addestramento la maggior parte dei tentativi fallisce, ma riproducendo e ampliando le proprie esperienze, incluso sfruttare la simmetria quadrifocale della molecola, l’agente converge su strategie affidabili.

Programmare percorsi molecolari a più tappe

Dopo circa un giorno e mezzo di addestramento continuo su centinaia di tentativi di reazione, il sistema è in grado di eseguire percorsi reattivi plurifase predefiniti con successo considerevole. La molecola di prova, una porfirina tetrabromurata su una superficie d’oro, parte con quattro bracci equivalenti portatori di bromo. All’IA viene chiesto di seguire diversi schemi stepwise di rimozione dei legami—come sequenze “ortogonali” o a “zig-zag”—ciascuna delle quali passa attraverso intermedi di forma distinta prima di terminare in una molecola completamente debromurata più quattro atomi di bromo liberi sulla superficie. Per ogni passo, l’agente sceglie automaticamente dove posizionare la punta, quanto intensa deve essere la scarica di tensione e quanta corrente usare, controlla il risultato con il suo sistema di visione e poi decide cosa fare dopo. Con il tempo scopre che sono necessarie tensioni più alte man mano che vengono rimossi più atomi di bromo e che posizionare la punta proprio sopra il legame target massimizza la probabilità di successo.

Dai singoli eventi alla futura manifattura atomo per atomo

I ricercatori dimostrano infine che la loro piattaforma può guidare ripetutamente la molecola attraverso quattro distinti percorsi reattivi mantenendo la selettività a singolo legame, raggiungendo tassi di successo che migliorano passo dopo passo e arrivano a quasi l’80% nella fase finale di rottura del legame. Altrettanto importante, il sistema si adatta quando la punta microscopica cambia forma o comportamento, riapprendendo rapidamente le impostazioni migliori invece di bloccarsi. Per un lettore non esperto, il messaggio chiave è che il microscopio non è più solo un osservatore passivo ma uno strumento attivo e apprendista: può trovare molecole, decidere quale legame rompere, applicare la spinta giusta e verificare il risultato in autonomia. Questa combinazione di strumentazione precisa e controllo AI indica un futuro in cui gli scienziati possono programmare compiti di fabbricazione complessi e atomisticamente accurati, usando agenti software per costruire ed esplorare strutture molecolari su misura che sarebbe quasi impossibile realizzare manualmente.

Citazione: Zhu, Z., Huang, Q., Yang, T. et al. Deep learning drives autonomous molecular reactions with single-bond selectivity in tetra-brominated porphyrins on Au(111). Nat Commun 17, 2348 (2026). https://doi.org/10.1038/s41467-026-69080-1

Parole chiave: chimica autonoma, reazioni a singola molecola, microscopia a effetto tunnel, apprendimento profondo per rinforzo, sintesi su superfici