A impressão 3D já encontrou um lugar cativo na indústria, possibilitando produzir peças e ferramentas altamente personalizada com enorme facilidade. Alguns cientistas têm tentado fazer a mesma coisa com nanomateriais, já que a indústria da tecnologia depende de componentes na nanoescala. Mas reproduzir o mesmo grau de versatilidade nesta outra realidade não é uma tarefa facilmente transponível. O reino quântico não funciona da mesma forma que o mundo macroscópico, seguindo um conjunto próprio de regras.
Atualmente, os experimentos nesta empreitada utilizam um tipo de microscópio chamado de microscópio de varredura por tunelamento, que é útil para “manusear” moléculas individuais. Entretanto, “montar” estas moléculas em um arranjo espacial exige uma abordagem diferente para cada finalidade, que é traduzida pelo padrão de movimentação da ponta do microscópio. Pra dificultar ainda mais, esta abordagem não pode ser calculada nem deduzida, porque a mecânica quântica é muito complexa e variável. Como resultado, a impressão quântica é atualmente realizada na base da tentativa e erro.
O trabalho publicado semana passada por pesquisadores alemães promete mudar este paradigma. Os cientistas aplicaram aprendizagem por reforço para automatizar e otimizar a tarefa de montar moléculas. Esta metodologia não apresenta uma solução pronta para o software agente, mas sim o deixa livre para tomar suas próprias decisões, aplicando recompensas para decisões acertadas e penalidades para aquelas erradas. O agente em questão foi treinado para remover moléculas individuais de uma camada, na qual elas são mantidas por uma rede complexa de ligações químicas. Esta tarefa era especialmente desafiadora porque a força aplicada para mover as moléculas nunca deveria exceder a força com que a ponta do microscópio atrai essas moléculas, ou esta ligação seria quebrada. É como tentar arranjar bolinhas metálicas usando um ímã; se a força necessária para mover uma bolinha fosse maior que a força gerada pelo ímã, a ligação com o ímã seria perdida.
A aplicação de aprendizagem por reforço na nanoescala também apresentou uma dificuldade adicional. Cada vez que o microscópio age nas moléculas do desafio, pode acontecer que suas próprias moléculas mudem levemente de posição, o que altera a dinâmica da tarefa. Assim, o agente tem que aprender a se adaptar rapidamente. Os cientistas resolveram este problema fazendo com que o algoritmo aprendesse um modelo do ambiente em paralelo com os ciclos iniciais de tarefa mecânica. Assim, o agente pode treinar tanto na realidade quanto em seu próprio modelo dela, o que resulta na prática em um aprendizado acelerado.
Este trabalho é muito promissor, levando em consideração o rápido desenvolvimento da indústria dos nanomateriais e de conceitos como os computadores quânticos. A possibilidade de ter maior controle sobre o design de materiais nesta escala deve ser um empurrão adicional ao desenvolvimento destas tecnologias inovadoras.
