Le plus petit bras robotique que vous puissiez imaginer est contrôlé par l’intelligence artificielle

Les chercheurs ont utilisé l’apprentissage par renforcement profond pour orienter les atomes dans une forme de réseau, en vue de construire de nouveaux matériaux ou nanodispositifs.

Dans une chambre à vide très froide, des atomes d’argent isolés forment un réseau en forme d’étoile. La formation précise n’est pas accidentelle, et elle n’a pas non plus été construite directement par des mains humaines. Les chercheurs ont utilisé une sorte d’intelligence artificielle appelée apprentissage par renforcement profond pour diriger les atomes, chacun d’une taille d’une fraction de nanomètre, dans la forme du réseau. Le processus est similaire au déplacement de billes autour d’un damier chinois, mais avec de très petites pincettes saisissant et faisant glisser chaque atome en place.

La principale application de l’apprentissage par renforcement profond est la robotique, explique le chercheur postdoctoral I-Ju Chen. « Nous construisons également des bras robotiques avec un apprentissage en profondeur, mais pour déplacer des atomes », explique-t-elle. « L’apprentissage par renforcement réussit dans des choses comme jouer aux échecs ou aux jeux vidéo, mais nous l’avons appliqué pour résoudre des problèmes techniques à l’échelle nanométrique. »

Alors pourquoi les scientifiques s’intéressent-ils au déplacement précis des atomes ? La fabrication de très petits dispositifs basés sur des atomes uniques est importante pour les nanodispositifs comme les transistors ou la mémoire. Tester comment et si ces appareils fonctionnent à leurs limites absolues est une application pour ce type de manipulation atomique, dit Chen. La construction de nouveaux matériaux atome par atome, plutôt que par des techniques chimiques traditionnelles, peut également révéler des propriétés intéressantes liées à la supraconductivité ou aux états quantiques.

Le treillis en étoile d’argent réalisé par Chen et ses collègues du Centre finlandais pour l’intelligence artificielle FCAI et de l’Université Aalto est une démonstration de ce que l’apprentissage par renforcement profond peut accomplir. « Le mouvement précis des atomes est difficile même pour les experts humains », explique Chen.

« Nous avons adapté l’apprentissage par renforcement profond existant à cette fin. Il a fallu à l’algorithme de l’ordre d’un jour pour apprendre, puis environ une heure pour construire le treillis. » La partie renforcement de ce type d’apprentissage en profondeur fait référence à la manière dont l’IA est guidée, par le biais de récompenses pour des actions ou des résultats corrects. « Donnez-lui un objectif et il le fera. Il peut résoudre des problèmes que les humains ne savent pas résoudre. »

L’application de cette approche au monde des matériaux des nanosciences est nouvelle. Les nanotechniques peuvent devenir plus puissantes avec l’injection de l’apprentissage automatique, dit Chen, car elles peuvent accélérer la sélection des paramètres et les essais et erreurs généralement effectués par une personne.

« Nous avons montré que cette tâche peut être parfaitement accomplie grâce à l’apprentissage par renforcement », conclut Chen. Les recherches du groupe, dirigées par les professeurs Adam Foster et Peter Liljeroth, ont récemment été publiées dans Communication Nature.