Deep learning stuurt autonome moleculaire reacties met enkelvoudige bindingsselectiviteit in tetra-bromide porphyrines op Au(111)

Machines leren moleculen stap voor stap aan te passen

Chemici hebben lang gedroomd van het sturen van reacties met de precisie van een uurwerkmaker: precies één binding in precies één molecuul op commando veranderen. Deze studie toont hoe kunstmatige intelligentie een flinke stap in die richting kan zetten: een computer-gestuurd systeem dat individuele moleculen op een oppervlak vindt en zelfstandig gekozen chemische bindingen verbreekt, zonder dat mensen aan de knoppen hoeven te draaien. Zulke controle zou ons uiteindelijk in staat kunnen stellen om nieuwe materialen atoom voor atoom te "schrijven" en exotische moleculaire structuren te verkennen die met normale reageerbuischemie lastig bereikbaar zijn.

Waarom enkelvoudige bindingen ertoe doen

De meeste chemische reacties vinden plaats in bulk: talloze moleculen botsen en herschikken zich volgens algemene regels van thermodynamica en kinetiek. Dat werkt goed voor veel toepassingen, maar het is alsof je marmer probeert te bewerken met een hamer in plaats van met een fijn beiteltje. Als wetenschappers één binding in één molecuul kunnen aanwijzen en beslissen of die blijft of breekt, kunnen ze op maat gemaakte moleculaire patronen bouwen voor next-generation elektronica, kwantumapparaten en ultradichte gegevensopslag. Scannende tunnelingmicroscopen (STM’s) geven experts al de mogelijkheid individuele moleculen op metalen oppervlakken met atomische resolutie te beelden en aan te porren. Maar tot nu toe waren het uitvoeren van zulke reacties en het bereiken van controle grotendeels afhankelijk van menselijke intuïtie en geduld, wat de reproduceerbaarheid, schaalbaarheid en programmeerbaarheid beperkt.

De microscoop omvormen tot een zelfrijkend laboratorium

De auteurs transformeren een conventionele STM tot een soort zelfrijkend chemisch laboratorium door meerdere deep-learning-tools over het instrument heen te leggen. Eerst scant een computer-vision-module grote gebieden van een goudoppervlak om automatisch geïsoleerde doelmoleculen te herkennen en zoomt vervolgens in voor een close-up. Extra neurale netwerken traceren de omtrek van elk molecuul, bepalen de oriëntatie en inspecteren vier specifieke hoeken waar broomatomen zitten. Door kleine beeldfragmenten bij die hoeken te analyseren, beslist het systeem of elk broom nog vastzit of in een vorige stap is verwijderd, en houdt het zo de "binding-voor-binding" status van het molecuul bij zonder dat een menselijke operator de beelden hoeft te interpreteren.

Een AI-agent die leert bindingen te breken

Zodra het molecuul is herkend en de huidige toestand bekend is, kiest een reinforcement-learning-agent hoe te handelen. Hij behandelt elke poging tot bindingsbreuk als een zet in een complex spel: de positie van de STM-tip, spanning en stroom zijn de zetopties en de resulterende moleculaire verandering is de feedback. Het systeem codeert de vier bindingsstatussen als een eenvoudig vier-bitpatroon en voegt een code toe voor welke algemene route het wil volgen. Met een modern algoritme dat soft actor-critic heet, leert de agent geleidelijk welke combinaties van tipplaatsing en elektrische puls leiden tot een schone breuk van een enkele koolstof–broombinding, welke niets doen en welke de molecuul beschadigen of overreageren. Er bestaat een smal, veilig-en-effectief venster; in de vroege trainingsfase mislukken de meeste pogingen, maar door ervaringen te herhalen en te vergroten — inclusief het benutten van de viervoudige symmetrie van het molecuul — convergeert de agent naar betrouwbare strategieën.

Meerstaps moleculaire trajecten programmeren

Na ongeveer anderhalve dag continue training en honderden reactiepogingen kan het systeem meervoudige, vooraf ontworpen reactieroutes met opmerkelijk succes uitvoeren. Het testmolecuul, een tetra-bromide porfyrine op een goudoppervlak, begint met vier equivalente armen met broom. De AI krijgt de instructie verschillende stapsgewijze patronen van bindingsverwijdering te volgen — zoals "orthogonaal" of "zigzag" sequenties — die elk door onderscheidende tussenliggende vormen lopen voordat ze eindigen in een volledig gedebromideerd molecuul plus vier vrije broomatomen op het oppervlak. Voor elke stap kiest de agent automatisch waar de tip te plaatsen, hoe sterk een spanningspuls toe te passen en hoeveel stroom te gebruiken, controleert het resultaat met zijn visionsysteem en beslist vervolgens wat de volgende zet is. Naarmate het proces vordert, ontdekt het dat hogere spanningen nodig zijn naarmate meer broomatomen verwijderd zijn en dat het positioneren van de tip direct boven de doelbinding de kans op succes maximaliseert.

Van individuele gebeurtenissen naar toekomstig atoom-voor-atoom fabriceren

De onderzoekers laten uiteindelijk zien dat hun platform het molecuul herhaaldelijk langs vier verschillende reactiepaden kan begeleiden terwijl het enkelvoudige bindingsselectiviteit behoudt, met succespercentages die stap voor stap verbeteren en in de laatste bindingsbreukfase bijna 80% bereiken. Even belangrijk is dat het systeem zich aanpast wanneer de microscopische tip van vorm of gedrag verandert: het leert snel opnieuw de beste instellingen in plaats van vast te lopen. Voor een leek is de kernboodschap dat de microscoop niet langer slechts een passieve waarnemer is maar een actief, lerend instrument: hij kan moleculen vinden, beslissen welke binding te breken, de juiste impuls geven en het resultaat zelfstandig verifiëren. Deze combinatie van precieze instrumentatie en AI-besturing wijst in de richting van een toekomst waarin wetenschappers complexe, atomair nauwkeurige fabricagetaken kunnen programmeren en softwareagenten gebruiken om op maat gemaakte moleculaire structuren te bouwen en te verkennen die met de hand vrijwel onmogelijk te vervaardigen zouden zijn.

Bronvermelding: 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

Trefwoorden: autonome chemie, reacties op enkel deeltje-niveau, scannende tunnelingmicroscopie, deep reinforcement learning, on-surface synthese