Bagaimana saya bisa mempersiapkan diri untuk sesuatu yang belum saya ketahui?
Ilmuwan dari Universitas Teknik Munich (TUM) dan dari Institut Fritz Haber Berlin telah membahas pertanyaan yang hampir filosofis ini dalam konteks pembelajaran mesin.
Belajar tidak lebih dari menggambar keputusan baru berdasarkan pengalaman sebelumnya. Untuk menghadapi situasi baru dengan cara ini, seseorang perlu menghadapi situasi yang kira-kira serupa sebelumnya. Dalam pembelajaran mesin, hal ini berarti bahwa algoritme pembelajaran harus diekspos ke data yang kira-kira serupa.
Tetapi apa yang dapat kita lakukan jika ada jumlah kemungkinan yang hampir tak terbatas sehingga tidak mungkin menghasilkan data yang mencakup semua situasi? Masalah ini menjadi tantangan besar ketika berhadapan dengan jumlah kemungkinan molekul yang tak terbatas.
Semikonduktor organik memungkinkan teknologi masa depan yang penting seperti sel surya portabel atau layar yang dapat digulung. Untuk aplikasi seperti itu, molekul organik yang lebih baik - yang menyusun bahan-bahan ini - perlu ditemukan. Tugas semacam ini semakin banyak menggunakan metode pembelajaran mesin, sambil melatih data dari simulasi atau eksperimen komputer.
Jumlah molekul organik kecil yang berpotensi mungkin, bagaimanapun, diperkirakan berada di urutan 1033. Jumlah kemungkinan yang luar biasa ini membuat praktis tidak mungkin untuk menghasilkan data yang cukup untuk mencerminkan keragaman material yang begitu besar. Selain itu, banyak dari molekul tersebut bahkan tidak cocok untuk semikonduktor organik. Seseorang pada dasarnya mencari jarum pepatah di tumpukan jerami.
Tim di sekitar Prof. Karsten Reuter, Direktur Departemen Teori di Fritz-Haber-Institute, dan Dr. Harald Oberhofer, Cendekiawan Heisenberg di Ketua Kimia Teoretis, membahas masalah ini dengan menggunakan apa yang disebut pembelajaran aktif. Alih-alih belajar dari data yang ada, algoritme pembelajaran mesin secara berulang memutuskan sendiri data mana yang sebenarnya perlu dipelajari tentang masalah tersebut.
Para ilmuwan pertama-tama melakukan simulasi pada beberapa molekul yang lebih kecil, dan memperoleh data yang terkait dengan konduktivitas listrik molekul - ukuran kegunaannya saat melihat kemungkinan bahan sel surya.
Berdasarkan data ini, algoritme memutuskan apakah modifikasi kecil pada molekul ini sudah dapat menghasilkan sifat yang berguna atau tidak pasti karena kurangnya data yang serupa. Dalam kedua kasus tersebut, secara otomatis meminta simulasi baru, meningkatkan dirinya sendiri melalui data yang baru dibuat, mempertimbangkan molekul baru, dan melanjutkan untuk mengulangi prosedur ini.
Dalam pekerjaan mereka, para ilmuwan menunjukkan bahwa pendekatan ini secara signifikan lebih efisien daripada algoritma pencarian alternatif dan bagaimana molekul baru yang menjanjikan dapat diidentifikasi dengan cara ini sementara algoritma tersebut melanjutkan penjelajahannya ke dalam ruang molekul yang luas. Setiap minggu ia mengusulkan molekul baru yang dapat mengantarkan generasi sel surya berikutnya dan algoritme terus menjadi lebih baik dan lebih baik.