كيف يمكنني تحضير نفسي لشيء لا أعرفه بعد؟
تناول علماء من جامعة ميونيخ التقنية (TUM) ومن معهد فريتز هابر في برلين هذا السؤال شبه الفلسفي في سياق التعلم الآلي.
التعلم ليس أكثر من اتخاذ قرارات جديدة على الخبرة السابقة. من أجل التعامل مع موقف جديد بهذه الطريقة ، يحتاج المرء إلى التعامل مع مواقف مماثلة تقريبًا من قبل. في التعلم الآلي ، يعني هذا بالمقابل أن خوارزمية التعلم يجب أن تكون قد تعرضت لبيانات متشابهة تقريبًا.
ولكن ماذا يمكننا أن نفعل إذا كان هناك قدر لا حصر له من الاحتمالات بحيث يكون من المستحيل ببساطة توليد البيانات التي تغطي جميع المواقف؟ تصبح هذه المشكلة تحديًا كبيرًا عند التعامل مع عدد لا نهائي من الجزيئات المرشحة المحتملة.
تمكّن أشباه الموصلات العضوية من التقنيات المستقبلية المهمة مثل الخلايا الشمسية المحمولة أو شاشات العرض القابلة للدوران. لمثل هذه التطبيقات ، يجب اكتشاف الجزيئات العضوية المحسّنة - التي تتكون منها هذه المواد. تستخدم المهام من هذا النوع بشكل متزايد أساليب التعلم الآلي ، أثناء التدريب على البيانات من عمليات المحاكاة أو التجارب الحاسوبية.
ومع ذلك ، يقدر عدد الجزيئات العضوية الصغيرة المحتملة الممكنة في حدود 1033. هذا العدد الهائل من الاحتمالات يجعل من المستحيل عمليا توليد بيانات كافية لتعكس مثل هذا التنوع المادي الكبير. بالإضافة إلى ذلك ، فإن العديد من هذه الجزيئات ليست مناسبة حتى لأشباه الموصلات العضوية. يبحث المرء بشكل أساسي عن الإبرة التي يضرب بها المثل في كومة قش.
قام الفريق المحيط بالبروفيسور كارستن رويتر ، مدير قسم النظرية في معهد فريتز هابر ، والدكتور هارالد أوبرهوفر ، باحث هايزنبرغ في رئيس الكيمياء النظرية ، بمعالجة هذه المشكلة باستخدام ما يسمى التعلم النشط. بدلاً من التعلم من البيانات الموجودة ، تقرر خوارزمية التعلم الآلي بشكل متكرر البيانات التي تحتاجها بالفعل للتعرف على المشكلة.
أجرى العلماء أولاً عمليات محاكاة على عدد قليل من الجزيئات الأصغر ، ويحصلون على البيانات المتعلقة بالتوصيل الكهربائي للجزيئات - وهو مقياس لفائدتها عند النظر إلى مواد الخلايا الشمسية المحتملة.
بناءً على هذه البيانات ، تقرر الخوارزمية ما إذا كانت التعديلات الصغيرة على هذه الجزيئات يمكن أن تؤدي بالفعل إلى خصائص مفيدة أو ما إذا كانت غير مؤكدة بسبب نقص البيانات المماثلة. في كلتا الحالتين ، يطلب تلقائيًا عمليات محاكاة جديدة ، ويحسن نفسه من خلال البيانات التي تم إنشاؤها حديثًا ، ويأخذ في الاعتبار الجزيئات الجديدة ، ويمضي في تكرار هذا الإجراء.
أظهر العلماء في عملهم أن هذا النهج أكثر كفاءة بشكل ملحوظ من خوارزميات البحث البديلة وكيف يمكن التعرف على جزيئات جديدة واعدة بهذه الطريقة بينما تواصل الخوارزمية استكشافها في الفضاء الجزيئي الشاسع. يقترح كل أسبوع جزيئات جديدة يمكن أن تبشر بالجيل القادم من الخلايا الشمسية والخوارزمية تستمر في التحسن وأفضل.