Nieuwe zonnecellen dankzij active machine learning

Om efficiënt om te gaan met de talloze mogelijke kandidaat-moleculen beslist de machine zelf welke data hij nodig heeft. Leren is niets anders dan nieuwe beslissingen nemen op basis van eerdere ervaringen. Om op deze manier met een nieuwe situatie om te gaan, moet men eerder met ongeveer vergelijkbare situaties te maken hebben gehad. Bij machine learning betekent dit dat een leeralgoritme moet zijn blootgesteld aan ongeveer vergelijkbare gegevens. Het team rond prof. Karsten Reuter, directeur van de afdeling Theorie van het Fritz-Haber-Instituut, en dr. Harald Oberhofer, Heisenberg Scholar aan de leerstoel Theoretische Chemie, pakten dit probleem aan met behulp van zogenaamd actief leren. In plaats van te leren van bestaande gegevens, beslist het machine learning-algoritme iteratief zelf welke gegevens het daadwerkelijk nodig heeft om over het probleem te leren. De wetenschappers voeren eerst simulaties uit op een paar kleinere moleculen en verkrijgen daarmee gegevens over de elektrische geleidbaarheid van de moleculen – een maatstaf voor hun bruikbaarheid bij de zoektocht naar mogelijke materialen voor zonnecellen. Op basis van deze data besluit het algoritme of kleine aanpassingen aan deze moleculen al tot bruikbare eigenschappen kunnen leiden of dat de uitkomst onzeker is door een gebrek aan vergelijkbare data. In beide gevallen vraagt het automatisch om nieuwe simulaties, verbetert het zichzelf met behulp van de nieuw gegenereerde gegevens, beschouwt het nieuwe moleculen en herhaalt het deze procedure. In hun werk tonen de wetenschappers aan dat deze aanpak significant efficiënter is dan alternatieve zoekalgoritmen.