論文の概要: Autonomous robotic nanofabrication with reinforcement learning

• arxiv url: http://arxiv.org/abs/2002.11952v2
• Date: Thu, 1 Oct 2020 12:48:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 08:06:24.930989
• Title: Autonomous robotic nanofabrication with reinforcement learning
• Title（参考訳）: 強化学習による自律型ロボットナノファブリケーション
• Authors: Philipp Leinen, Malte Esders, Kristof T. Sch\"utt, Christian Wagner, Klaus-Robert M\"uller, F. Stefan Tautz
• Abstract要約: 本稿では,原子スケールコンフォメーションの制御不能な可変性と可観測性の低い問題に対処する戦略を提案する。 提案手法は強化学習(RL)を用いており,不確実性や疎度なフィードバックに直面する場合においても解法戦略を見出すことができる。 我々の研究は、機能超分子構造のロボット構築のための自律エージェントへの道を開く。
• 参考スコア（独自算出の注目度）: 2.760662245213622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to handle single molecules as effectively as macroscopic building-blocks would enable the construction of complex supramolecular structures inaccessible to self-assembly. The fundamental challenges obstructing this goal are the uncontrolled variability and poor observability of atomic-scale conformations. Here, we present a strategy to work around both obstacles, and demonstrate autonomous robotic nanofabrication by manipulating single molecules. Our approach employs reinforcement learning (RL), which finds solution strategies even in the face of large uncertainty and sparse feedback. We demonstrate the potential of our RL approach by removing molecules autonomously with a scanning probe microscope from a supramolecular structure -- an exemplary task of subtractive manufacturing at the nanoscale. Our RL agent reaches an excellent performance, enabling us to automate a task which previously had to be performed by a human. We anticipate that our work opens the way towards autonomous agents for the robotic construction of functional supramolecular structures with speed, precision and perseverance beyond our current capabilities.
• Abstract（参考訳）: 単一分子をマクロなビルディングブロックのように効果的に扱う能力により、複雑な超分子構造を自己組織化できない。 この目標を妨げる基本的な課題は、制御不能な可変性と原子規模のコンフォーメーションの可観測性不足である。 ここでは、両方の障害を回避し、単一の分子を操作することで自律的なロボットナノファブリケーションを実証する戦略を提案する。 提案手法は強化学習(RL)を用いて,不確実性や疎度なフィードバックに直面しても解法戦略を見出す。 ナノスケールでの減数的製造の例である超分子構造から走査型プローブ顕微鏡で分子を自律的に除去することで、我々のRLアプローチの可能性を示す。 我々のRLエージェントは優れた性能に到達し、これまで人間が行わなければならなかったタスクを自動化できます。 我々の研究は、我々の現在の能力を超える速度、精度、忍耐力を備えた機能超分子構造のロボット構築のための自律エージェントへの道を開くことを期待する。

関連論文リスト

• Rapid and Automated Alloy Design with Graph Neural Network-Powered LLM-Driven Multi-Agent Systems [0.0]
  マルチエージェントAIモデルは、新しい金属合金の発見を自動化するために使用される。 MLをベースとした原子間ポテンシャルをモデルとした立方晶(bcc)合金のNbMoTa族に着目した。 LLMをベースとしたエージェントの動的協調により、GNNの予測力を相乗化することにより、システムは巨大な合金設計空間を自律的にナビゲートする。
  論文  参考訳（メタデータ） (2024-10-17T17:06:26Z)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• Navigation of micro-robot swarms for targeted delivery using reinforcement learning [0.0]
  Inforcement Learning (RL) アルゴリズムをPPO(Proximal Policy Optimization) とRPO(Robust Policy Optimization) を用いて,4,9,16マイクロスウィマーの群を探索する。 PPOとRPOの両方のパフォーマンスを、限られた状態情報シナリオで調べ、また、ランダムな目標位置とサイズに対するロバスト性をテストする。
  論文  参考訳（メタデータ） (2023-06-30T12:17:39Z)
• Stabilizing Contrastive RL: Techniques for Robotic Goal Reaching from Offline Data [101.43350024175157]
  自己指導型学習は、制御戦略を学ぶのに必要な人間のアノテーションとエンジニアリングの労力を減らす可能性がある。 我々の研究は、強化学習(RL)自体が自己監督的な問題であることを示す先行研究に基づいている。 コントラスト学習に基づく自己教師付きRLアルゴリズムは,実世界の画像に基づくロボット操作タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-06T01:36:56Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Leveraging Sequentiality in Reinforcement Learning from a Single Demonstration [68.94506047556412]
  本稿では,複雑なロボットタスクの制御ポリシーを1つの実演で学習するために,シーケンシャルなバイアスを活用することを提案する。 本研究は, ヒューマノイド移動やスタンドアップなど, 模擬課題のいくつかを, 前例のないサンプル効率で解くことができることを示す。
  論文  参考訳（メタデータ） (2022-11-09T10:28:40Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• Artificial Intelligence based Autonomous Molecular Design for Medical Therapeutic: A Perspective [9.371378627575883]
  ドメイン認識機械学習(ML)モデルは、小さな分子治療設計の加速にますます採用されている。 我々は、各コンポーネントによって達成された最新のブレークスルーと、このような自律型AIとMLワークフローをどのように実現できるかを提示する。
  論文  参考訳（メタデータ） (2021-02-10T00:43:46Z)
• Reinforcement Learning for Molecular Design Guided by Quantum Mechanics [10.112779201155005]
  分子設計のための新しいRL式を座標で提示し、構築可能な分子のクラスを拡張した。 我々の報酬関数は、高速量子化学法で近似したエネルギーのような基本的な物理的性質に基づいている。 本実験では, 翻訳および回転不変状態-作用空間で作業することで, エージェントがスクラッチからこれらの課題を効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-02-18T16:43:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。