Bagaimana saya boleh mempersiapkan diri untuk sesuatu yang belum saya ketahui?
Para saintis dari Universiti Teknikal Munich (TUM) dan dari Fritz Haber Institute Of Berlin telah menangani persoalan yang hampir falsafah ini dalam konteks pembelajaran mesin.
Pembelajaran tidak lebih daripada mengambil keputusan baru berdasarkan pengalaman sebelumnya. Untuk menghadapi situasi baru dengan cara ini, seseorang perlu menghadapi situasi yang serupa sebelumnya. Dalam pembelajaran mesin, ini bermaksud bahawa algoritma pembelajaran perlu terdedah kepada data yang hampir serupa.
Tetapi apa yang dapat kita lakukan jika ada kemungkinan yang hampir tidak terbatas sehingga mustahil untuk menghasilkan data yang merangkumi semua situasi? Masalah ini menjadi cabaran utama ketika menghadapi sebilangan besar kemungkinan molekul calon.
Semikonduktor organik membolehkan teknologi masa depan yang penting seperti sel solar mudah alih atau paparan yang boleh dilancarkan. Untuk aplikasi seperti itu, molekul organik yang diperbaiki - yang membentuk bahan ini - perlu dicari. Tugas seperti ini semakin banyak menggunakan kaedah pembelajaran mesin, sambil melatih data dari simulasi komputer atau eksperimen.
Walau bagaimanapun, bilangan molekul organik kecil yang berpotensi mungkin diperkirakan berada pada tahap 1033. Banyak kemungkinan ini menjadikannya mustahil untuk menghasilkan data yang cukup untuk menggambarkan kepelbagaian bahan yang begitu besar. Sebagai tambahan, banyak molekul tersebut bahkan tidak sesuai untuk semikonduktor organik. Seseorang pada dasarnya mencari jarum pepatah di tumpukan jerami.
Pasukan di sekitar Prof Karsten Reuter, Pengarah Jabatan Teori di Fritz-Haber-Institute, dan Dr Harald Oberhofer, Heisenberg Scholar di Chair of Theoretical Chemistry, menangani masalah ini dengan menggunakan pembelajaran aktif yang disebut. Daripada belajar dari data yang ada, algoritma pembelajaran mesin secara berulang-ulang memutuskan sendiri data mana yang sebenarnya perlu dipelajari mengenai masalah tersebut.
Para saintis pertama kali melakukan simulasi pada beberapa molekul yang lebih kecil, dan memperoleh data yang berkaitan dengan kekonduksian elektrik molekul - ukuran kegunaannya ketika melihat kemungkinan bahan sel suria.
Berdasarkan data ini, algoritma memutuskan apakah modifikasi kecil pada molekul-molekul ini sudah boleh menyebabkan sifat berguna atau adakah tidak pasti kerana kekurangan data yang serupa. Dalam kedua kes, ia secara automatik meminta simulasi baru, memperbaiki dirinya melalui data yang baru dihasilkan, mempertimbangkan molekul baru, dan terus mengulangi prosedur ini.
Dalam karya mereka, para saintis menunjukkan bahawa pendekatan ini jauh lebih efisien daripada algoritma carian alternatif dan bagaimana molekul baru yang menjanjikan dapat dikenal pasti dengan cara ini sementara algoritma meneruskan penerokaannya ke ruang molekul yang luas. Setiap minggu ia mencadangkan molekul-molekul baru yang dapat membawa generasi sel suria seterusnya dan algoritma terus bertambah baik.