德國慕尼黑大學與柏林弗里茨·哈伯研究所的科學家們，已經找到了一條依靠主動式機器學習（AML）技術，來持續改進光伏面板的新方法。傳統意義上的學習，無非是借鑒以往的經驗。即便需要應對新的情況，AI 也相當依賴於此前已經處理過的大致相似狀況。不過本文介紹的主動式學習技術，似乎已經開辟出了一個幾乎無限的可能。
研究配圖 – 1：在幾乎不受限制的空間中的 AML 新發現
在面向未來的可攜式太陽能電池或可捲曲顯示屏等研究領域，有機半導體研究人員在處理無數種可能的候選分子時，就面臨著相當大的考驗。
慶幸的是，在此類具有改進特性的有機分子的發現任務上，已經有越來越多人開始考慮藉助機器學習（Machine Learning）的力量，通過來自計算機仿真或實驗的數據而開展相關訓練。
研究配圖 – 2：有限 OSC 測試空間
然而具有這種可能的小有機分子數量，規模可能高達 10^33，使得我們幾乎不可能實際生成足夠的數據，來反映材料的多樣性。
好消息是，弗里茨-哈伯研究所理論系負責人 Karsten Reuter 教授，剛剛在《自然通訊》（Nature Communications）期刊上發表了他們的新穎解決方案。
研究配圖 – 3：有限測試空間的 AML 探索
主動式機器學習（AML）算法，並不依賴於從現有的數據中學習，而是通過不斷地疊代，以確定實際上需要學習該問題的相關數據。
基於此，科學家們首先對幾個較小的分子進行了模擬，以獲得與分子電導率有關的數據（衡量太陽能電池材料的實用性的一個維度）。
研究配圖 – 4：在幾乎不受限的空間中的 AML 發現的基本原則
然後算法將決定這些分子的微小修飾是否可推導出實用的特徵，或者因缺乏相似數據而不確定。在此情況下，系統都會自動請求新的模擬，通過生成新的數據來自我改進、考慮新分子，並不斷重復此過程。
目前，科學家們已經展示了如何藉此有效地識別出新的有前景的分子、同時算法仍在繼續探索廣闊的分子空間，結果是我們幾乎每周都可梳理出新型分子結構，有助於讓下一代太陽能電池的研發工作愈加輕松。
來源：cnBeta
