Изкуствен разум може би ще проектира по-ефективни слънчеви клетки

Визуализация на тестваните до момента химически комбинации, проектирани от AI. Графика: Kunkel/FHI

Как може човек да се подготви за нещо, което не знае? Учени от Института Фриц Хабер в Берлин и от Техническия университет в Мюнхен са се заели с този почти философски въпрос в контекста на машинното (само)обучение. Ученето може да се разглежда като използване на по-рано натрупан опит. За да се справи човек с нова ситуация, той трябва да се е справил с приблизително подобни ситуации преди. При машинното обучение това означава, че алгоритъмът трябва да е срещнал вече приблизително сходни данни. Но какво можем да направим, ако има безкрайно много възможности, така че е просто невъзможно да се генерират данни, които да обхващат всички ситуации?

Този проблем възниква, когато се занимаваме с безкраен брой възможни молекули, които са кандидати за дадена задача. Органичните полупроводници правят възможни важни нови технологии като преносимите слънчеви клетки или гъвкавите, ролкови дисплеи. За такива приложения е нужно да се открият подобрени органични молекули, които съставляват тези материали. Задачите от подобен характер все повече използват методи за машинно обучение. Алгоритмите се самообразоват по данни от компютърни симулации или експерименти. Броят на потенциално възможните малки органични молекули обаче се изчислява на хиляди. Този голям брой възможности прави практически невъзможно генерирането на достатъчно данни, които да отразят такова голямо разнообразие от материали. Освен това много от тези молекули може и да не са подходящи за органични полупроводници. Задачата може да се оприличи на пословицата „да търсиш игла в купа сено“.

В своята работа, публикувана наскоро в Nature Communications, екипът около проф. Карстен Ройтер, директор на Теоретичния отдел в Института Фриц-Хабер, се заема с този проблем, използвайки така нареченото активно обучение. Вместо да се учи от съществуващи данни, алгоритъмът за машинно обучение итеративно решава за себе си кои данни всъщност са му необходими, за да изследва проблема. Учените първо извършват симулации на няколко по-малки молекули и получават данни, свързани с електрическата проводимост на молекулите – мярка за тяхната полезност при разглеждане на възможните материали за слънчеви клетки. Въз основа на тези данни алгоритъмът решава дали малките модификации на тези молекули биха могли да доведат до полезни свойства или дали е несигурно поради липса на подобни данни.

И в двата случая алгоритъмът автоматично изисква нови симулации, подобрява се чрез новосъздадените данни, разглежда нови молекули и продължава да повтаря процедурата.

В своята работа учените показват как чрез този метод могат ефективно да бъдат идентифицирани нови и обещаващи молекули, докато алгоритъмът продължава изследването си в огромното молекулно пространство. Всяка седмица се предлагат нови молекули, които биха могли да доведат до проектирането на следващото поколение ефективно слънчеви клетки, а алгоритъмът става все по-добър.

Коментари

Напиши коментар

E-mail адресът Ви няма да бъде публикуван




*