Uczenie głębokie napędza autonomiczne reakcje molekularne z selektywnością pojedynczych wiązań w tetra-bromowanych porfirynach na Au(111)

Nauczanie maszyn manipulowania cząsteczkami jedno wiązanie na raz

Chemicy od dawna marzyli o sterowaniu reakcjami z precyzją zegarmistrza, zmieniając dokładnie jedno wiązanie w dokładnie jednej cząsteczce na żądanie. To badanie pokazuje, jak sztuczna inteligencja może przybliżyć ten cel: system sterowany komputerowo, który samodzielnie odnajduje pojedyncze cząsteczki na powierzchni i zrywa wybrane wiązania chemiczne, bez ręcznej ingerencji operatora. Taka kontrola mogłaby w przyszłości pozwolić „pisać” nowe materiały atom po atomie i badać egzotyczne struktury molekularne, do których klasyczna chemia probówkowa nie sięga łatwo.

Dlaczego pojedyncze wiązania są istotne

Większość reakcji chemicznych zachodzi masowo: niezliczone cząsteczki zderzają się i przekształcają zgodnie z ogólnymi zasadami termodynamiki i kinetyki. Choć w wielu zastosowaniach to wystarcza, przypomina rzeźbienie marmuru młotem zamiast użycia precyzyjnego dłuta. Gdyby naukowcy mogli wybrać pojedyncze wiązanie w pojedynczej cząsteczce i zdecydować, czy ma pozostać, czy pęknąć, mogliby tworzyć niestandardowe wzory molekularne dla elektroniki następnej generacji, urządzeń kwantowych i ultragęstej pamięci danych. Skaningowe mikroskopy tunelowe (STM) już pozwalają ekspertom obrazować i dotykać poszczególne cząsteczki na metalicznych powierzchniach z rozdzielczością atomową. Do tej pory jednak przeprowadzenie takich reakcji opierało się na ludzkiej intuicji i cierpliwości, co ogranicza powtarzalność, skalowalność i programowalność procesu.

Przekształcanie mikroskopu w autonomiczne laboratorium

Autorzy przekształcają konwencjonalne STM w rodzaj autonomicznego laboratorium chemicznego, nakładając na instrument warstwę narzędzi uczenia głębokiego. Najpierw moduł wizji komputerowej przeszukuje rozległe obszary złotej powierzchni, aby automatycznie wykryć izolowane cząsteczki docelowe, a następnie przybliża się do nich dla szczegółowego obrazu. Kolejne sieci neuronowe obrysowują każdą cząsteczkę, określają jej orientację i kontrolują cztery konkretne kąty, gdzie siedzą atomy bromu. Analizując małe fragmenty obrazów w tych narożnikach, system rozstrzyga, czy dany brom jest nadal przyłączony, czy został usunięty wcześniej, efektywnie śledząc „stan po wiązaniu” cząsteczki bez potrzeby interpretacji obrazów przez operatora.

Agent AI, który uczy się, jak zrywać wiązania

Gdy cząsteczka zostanie rozpoznana i znany będzie jej aktualny stan, agent uczenia przez wzmocnienie wybiera sposób działania. Traktuje każdą próbę zerwania wiązania jak ruch w złożonej grze, gdzie pozycja końcówki STM, napięcie i prąd są ruchami, a wynikowa zmiana molekularna — informacją zwrotną. System koduje cztery stany wiązań jako prosty wzorzec czterobitowy i dodaje kod określający, jaką ogólną ścieżkę reakcji ma realizować. Używając nowoczesnego algorytmu zwanego soft actor-critic, agent stopniowo uczy się, które kombinacje ustawienia końcówki i impulsu elektrycznego prowadzą do czystego zerwania pojedynczego wiązania węgiel–brom, które nie wywołują efektu, a które uszkadzają lub powodują nadreakcję cząsteczki. Istnieje wąskie, bezpieczne i skuteczne okno parametrów; na początku treningu większość prób kończy się niepowodzeniem, ale poprzez powtarzanie i wzbogacanie doświadczeń, w tym wykorzystanie czterokrotnej symetrii cząsteczki, agent dochodzi do niezawodnych strategii.

Programowanie wieloetapowych podróży molekularnych

Po około półtorej doby ciągłego treningu obejmującego setki prób reakcji system potrafi realizować wieloetapowe, zaprogramowane wcześniej ścieżki reakcyjne z zauważalnym sukcesem. Modelową cząsteczką testową jest tetra-bromowana porfiryna na złotej powierzchni, zaczynająca z czterema równoważnymi ramionami zawierającymi brom. AI otrzymuje instrukcje, by podążać różnymi sekwencjami usuwania wiązań — takimi jak wzory „ortogonalne” czy „zygzakowe” — z których każda przechodzi przez odmienne kształty pośrednie, zanim zakończy się w pełnym odbromowaniu i czterema wolnymi atomami bromu na powierzchni. Dla każdego kroku agent automatycznie wybiera, gdzie ustawić końcówkę, jak silny impuls napięciowy zastosować i jaki prąd użyć, sprawdza wynik za pomocą systemu wizji, a następnie decyduje o kolejnych działaniach. Z czasem odkrywa, że wraz z usuwaniem kolejnych atomów bromu potrzebne są wyższe napięcia oraz że ustawienie końcówki bezpośrednio nad docelowym wiązaniem maksymalizuje szansę powodzenia.

Od pojedynczych zdarzeń do przyszłej produkcji atom po atomie

Naukowcy ostatecznie wykazują, że ich platforma może wielokrotnie kierować cząsteczką po czterech odmiennych ścieżkach reakcyjnych, zachowując selektywność pojedynczych wiązań i osiągając wskaźniki sukcesu, które poprawiają się krok po kroku, dochodząc do blisko 80% w końcowym etapie zrywania wiązań. Równie istotne jest to, że system adaptuje się, gdy mikroskopowa końcówka zmienia kształt lub zachowanie, szybko ponownie ucząc najlepszych ustawień zamiast zatrzymywać pracę. Dla laika kluczowy wniosek jest taki, że mikroskop przestał być jedynie biernym obserwatorem, stając się aktywnym, uczącym się narzędziem: potrafi znaleźć cząsteczki, zdecydować, które wiązanie zrywać, zastosować odpowiedni impuls i samodzielnie zweryfikować wynik. To połączenie precyzyjnego przyrządu i sterowania AI wskazuje drogę ku przyszłości, w której naukowcy będą mogli programować złożone, atomowo dokładne zadania wytwarzania, używając agentów programowych do budowy i badania niestandardowych struktur molekularnych niemal niemożliwych do wykonania ręcznie.

Cytowanie: 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

Słowa kluczowe: autonomiczna chemia, reakcje pojedynczych cząsteczek, skaningowa mikroskopia tunelowa, głębokie uczenie przez wzmocnienie, synteza na powierzchni