Глубокое обучение управляет автономными молекулярными реакциями с селективностью по одиночной связи в тетра-бромированных порфиринах на Au(111)

Обучение машин точечно менять молекулы по одной связи

Химики давно мечтают управлять реакциями с ювелирной точностью, изменяя ровно одну связь в ровно одной молекуле по команде. В этом исследовании показано, как искусственный интеллект приближает такую цель: компьютерная система самостоятельно находит отдельные молекулы на поверхности и разрывает выбранные химические связи без ручного вмешательства оператора. Такой уровень контроля в будущем может позволить «записывать» новые материалы атом за атомом и исследовать экзотические молекулярные структуры, недоступные обычной пробирочной химии.

Почему одиночные связи важны

Большинство химических реакций происходит в массе: множество молекул сталкиваются и перестраиваются в соответствии с общими законами термодинамики и кинетики. Это работает во многих случаях, но похоже на попытку ваять мрамор кувалдой вместо тонкой долотки. Если учёные смогут выбрать одну связь в одной молекуле и решить, останется ли она или будет разорвана, они смогут создавать индивидуальные молекулярные шаблоны для электроники следующего поколения, квантовых устройств и сверхплотного хранения данных. Сканирующие туннельные микроскопы (STM) уже позволяют экспертам изображать и манипулировать отдельными молекулами на металлических поверхностях с атомным разрешением. Но до сих пор проведение таких реакций опиралось на человеческую интуицию и терпение, что сдерживает воспроизводимость, масштабируемость и программируемость процесса.

Преобразование микроскопа в самообучающуюся лабораторию

Авторы превращают обычный STM в нечто вроде самоездной химической лаборатории, накладывая на прибор несколько инструментов глубокого обучения. Сначала модуль компьютерного зрения просматривает большие участки золотой поверхности, автоматически находит изолированные целевые молекулы и затем увеличивает изображение для детального изучения. Дополнительные нейросети прослеживают контур каждой молекулы, определяют её ориентацию и проверяют четыре конкретных угла, где находятся атомы брома. Анализируя небольшие фрагменты изображений в этих углах, система решает, прикреплён ли каждый бром или он уже удалён на предыдущем шаге, эффективно отслеживая «состояние по связям» молекулы без участия человека в интерпретации изображений.

Агент ИИ, который обучается разрывать связи

Как только молекула распознана и её текущее состояние установлено, агент подкрепляющего обучения выбирает, как действовать. Он рассматривает каждую попытку разрыва связи как ход в сложной игре, где положение зонда STM, напряжение и ток — это его ходы, а результат молекулярного изменения служит обратной связью. Система кодирует состояния четырёх связей простым четырёхбитным шаблоном и добавляет код желаемого пути реакции. С использованием современного алгоритма soft actor-critic агент постепенно узнаёт, какие комбинации положения зонда и электрического импульса приводят к аккуратному разрыву одной углерод–бромной связи, какие не дают эффекта, а какие повреждают или вызывают чрезмерную реакцию молекулы. Существует узкое безопасное и эффективное окно параметров: на ранних этапах обучения большинство попыток неудачны, но при повторном проигрывании и расширении опыта, в том числе с учётом четырёхкратной симметрии молекулы, агент сходится к надёжным стратегиям.

Программирование многошаговых молекулярных маршрутов

После примерно полутора дней непрерывного обучения и сотен попыток реакций система может выполнять многошаговые заранее заданные маршруты с заметным успехом. Тестовый объект — тетра-бромированный порфирин на золотой поверхности — имеет четыре эквивалентных «руки» с бромом. ИИ получает инструкции следовать разным пошаговым схемам удаления связей — например, «ортогональной» или «зигзагообразной» последовательности — каждая из которых проходит через характерные промежуточные формы и в конечном счёте приводит к полностью дебромированному молекуле и четырём свободным атомам брома на поверхности. На каждом шаге агент автоматически выбирает, где расположить зонд, какое напряжение импульса применить и какой ток использовать, проверяет результат с помощью системы зрения и затем решает, что делать дальше. Со временем он обнаруживает, что по мере удаления бромов требуются более высокие напряжения и что позиционирование зонда прямо над целевой связью максимизирует шансы на успех.

От единичных событий к будущему производства атом за атомом

Исследователи в конечном итоге показывают, что их платформа может многократно направлять молекулу по четырём различным путям реакции, сохраняя селективность по одиночной связи и достигая показателей успеха, которые улучшаются шаг за шагом и приближаются к почти 80% на финальном этапе разрыва связи. Не менее важно и то, что система адаптируется при изменении формы или поведения микроскопического зонда, быстро переобучаясь оптимальным настройкам вместо того, чтобы застыть. Для непрофессионала ключевое послание заключается в том, что микроскоп перестаёт быть просто пассивным наблюдателем и становится активным, обучающимся инструментом: он может найти молекулы, выбрать связь для разрыва, применить нужное воздействие и проверить результат самостоятельно. Такое сочетание точных приборов и управления ИИ указывает на будущее, где учёные смогут программировать сложные, атомно-точные задачи фабрикации, используя программных агентов для создания и исследования индивидуальных молекулярных структур, которые было бы почти невозможно изготовить вручную.

Цитирование: 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

Ключевые слова: автономная химия, реакции одиночных молекул, сканирующая туннельная микроскопия, глубокое подкрепляющее обучение, синтез на поверхности