Djupinlärning styr autonoma molekylära reaktioner med selektivitet på enstaka bindningar i tetra-bromerade porfyriner på Au(111)

Lära maskiner att justera molekyler en bindning i taget

Kemister har länge drömt om att styra reaktioner med urmakarens precision, att på kommando förändra exakt en bindning i exakt en molekyl. Denna studie visar hur artificiell intelligens kan ta ett stort steg mot den drömmen: ett datorstyrt system som hittar individuella molekyler på en yta och självständigt bryter utvalda kemiska bindningar, utan mänskliga händer på rattarna. Den typen av kontroll kan så småningom låta oss ”skriva” nya material atom för atom och utforska exotiska molekylstrukturer som vanlig provrörskemi inte lätt når.

Varför enskilda bindningar spelar roll

De flesta kemiska reaktioner sker i bulk: otaliga molekyler kolliderar och omarrangeras enligt breda termodynamiska och kinetiska lagar. Det fungerar bra för många tillämpningar, men är som att hugga marmor med en hammare i stället för att använda en fin mejsel. Om forskare kunde välja ut en enda bindning i en enda molekyl och bestämma om den ska behållas eller brytas, skulle de kunna bygga skräddarsydda molekylära mönster för nästa generations elektronik, kvantapparater och ultradens lagring. Scannande tunnelmikroskop (STM) tillåter redan experter att avbilda och peta på individuella molekyler på metallytor med atomär upplösning. Men hittills har utförandet av sådana reaktioner varit beroende av mänsklig intuition och tålamod, vilket begränsar hur reproducerbart, skalbart och programmerbart processen kan vara.

Göra mikroskopet till ett självkörande laboratorium

Författarna förvandlar ett konventionellt STM till en sorts självkörande kemilabb genom att lägga flera djupinlärningsverktyg ovanpå instrumentet. Först skannar en datorvisionsmodul stora områden av en goldyta för att automatiskt hitta isolerade målmolekyler och zoomar sedan in för en närbild. Ytterligare neurala nätspårar varje molekyls kontur, bestämmer dess orientering och inspekterar fyra specifika hörn där bromatomer sitter. Genom att analysera små bildpatchar vid dessa hörn avgör systemet om varje brom är kvarkopplad eller har tagits bort i ett tidigare steg, vilket effektivt håller reda på molekylens "bindning-för-bindning"-status utan att en mänsklig operatör behöver tolka bilderna.

En AI-agent som lär sig att bryta bindningar

När molekylen är igenkänd och dess nuvarande tillstånd är känt väljer en förstärkningsinlärningsagent hur den ska agera. Den behandlar varje försök att bryta en bindning som ett drag i ett komplext spel, där STM-tippositionen, spänningen och strömmen är dess drag, och den resulterande molekylära förändringen är feedbacken. Systemet kodar de fyra bindningstillstånden som ett enkelt fyrabitmönster och lägger till en kod för vilken övergripande väg det avser att följa. Med en modern algoritm kallad soft actor-critic lär sig agenten gradvis vilka kombinationer av tipplacering och elektrisk impuls som leder till en ren brytning av en enskild kol–brom-bindning, vilka som inte ger någon effekt och vilka som skadar eller överreagerar molekylen. Ett smalt säkert och effektivt fönster finns, och tidigt i träningen misslyckas de flesta försök, men genom att spela upp och augmentera sina erfarenheter, inklusive att utnyttja molekylens fyrfalldiga symmetri, konvergerar agenten mot pålitliga strategier.

Programmera flerstegs molekylära resor

Efter ungefär ett och ett halvt dygn av kontinuerlig träning över hundratals reaktionsförsök kan systemet utföra flerstegs, fördesignade reaktionsvägar med märkbar framgång. Testmolekylen, en tetra-bromerad porfyrin på en goldyta, börjar med fyra ekvivalenta bromförsedda armar. AI:n instrueras att följa olika stegvisa mönster för bindningsborttagning—såsom "ortogonala" eller "zig-zag"-sekvenser—var och en av vilka passerar genom distinkta intermediära former innan den slutar i en fullt debromerad molekyl plus fyra fria bromatomer på ytan. För varje steg väljer agenten automatiskt var den ska placera tippen, hur stark en spänningspuls ska vara och hur mycket ström som ska användas, kontrollerar resultatet med sitt visionssystem och bestämmer sedan vad som ska göras härnäst. Över tid upptäcker den att högre spänningar krävs när fler brom tas bort och att placera tippen precis ovanför målbindningen maximerar sannolikheten för framgång.

Från enstaka händelser till framtida atom-för-atom-tillverkning

Forskarna visar slutligen att deras plattform upprepade gånger kan vägleda molekylen längs fyra distinkta reaktionsvägar samtidigt som enstaka-bindningsselektivitet bibehålls, med framgångsfrekvenser som förbättras steg för steg och når nästan 80 % i det sista bindningsbrytningsteget. Lika viktigt är att systemet anpassar sig när den mikroskopiska tippen ändrar form eller beteende, snabbt lär om de bästa inställningarna i stället för att fastna. För en lekmannapublik är huvudbudskapet att mikroskopet inte längre bara är en passiv betraktare utan ett aktivt, lärande verktyg: det kan hitta molekyler, bestämma vilken bindning som ska brytas, applicera rätt ”knuff” och verifiera resultatet på egen hand. Denna blandning av precis instrumentering och AI-kontroll pekar mot en framtid där forskare kan programmera komplexa, atomärt precisa tillverkningsuppgifter och använda mjukvaruagenter för att bygga och utforska skräddarsydda molekylstrukturer som vore nästintill omöjliga att skapa för hand.

Citering: 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

Nyckelord: autonom kemi, enstaka-molekylreaktioner, scannande tunnelmikroskopi, djup förstärkningsinlärning, på-ytan-syntes