Henüz bilmediğim bir şeye kendimi nasıl hazırlayabilirim?
Münih Teknik Üniversitesi'nden (TUM) ve Berlin Fritz Haber Enstitüsü'nden bilim insanları, bu neredeyse felsefi soruyu makine öğrenimi bağlamında ele aldılar.
Öğrenme, önceki deneyimlere dayanarak yeni kararlar almaktan başka bir şey değildir. Yeni bir durumla bu şekilde başa çıkabilmek için daha önce kabaca benzer durumlarla karşılaşmış olmak gerekir. Makine öğrenmesinde bu, bir öğrenme algoritmasının kabaca benzer verilere maruz kalması gerektiği anlamına gelir.
Peki, neredeyse sonsuz sayıda olasılık varsa ve tüm durumları kapsayan verileri üretmemiz imkansızsa ne yapabiliriz? Bu problem, sonsuz sayıda olası aday molekülle uğraşıldığında büyük bir zorluk haline gelir.
Organik yarı iletkenler, taşınabilir güneş pilleri veya yuvarlanabilir ekranlar gibi geleceğin önemli teknolojilerini mümkün kılıyor. Bu tür uygulamalar için, bu malzemeleri oluşturan geliştirilmiş organik moleküllerin keşfedilmesi gerekiyor. Bu nitelikteki görevler, bilgisayar simülasyonlarından veya deneylerinden elde edilen veriler üzerinde eğitim verirken giderek daha fazla makine öğrenimi yöntemlerini kullanıyor.
Bununla birlikte, potansiyel olarak olası küçük organik moleküllerin sayısının 1033 civarında olduğu tahmin edilmektedir. Bu çok büyük olasılık sayısı, bu kadar büyük bir malzeme çeşitliliğini yansıtacak yeterli veriyi üretmeyi pratikte imkansız hale getirmektedir. Üstelik bu moleküllerin birçoğu organik yarı iletkenler için bile uygun değil. İnsan aslında samanlıkta meşhur iğneyi arıyor.
Fritz-Haber Enstitüsü Teori Bölümü Direktörü Prof. Karsten Reuter ve Heisenberg Teorik Kimya Kürsüsü Dr. Harald Oberhofer'in etrafındaki ekip, aktif öğrenme adı verilen yöntemi kullanarak bu sorunu ele aldı. Makine öğrenimi algoritması, mevcut verilerden öğrenmek yerine, sorun hakkında gerçekte hangi verileri öğrenmesi gerektiğine yinelemeli olarak kendisi karar verir.
Bilim insanları önce birkaç küçük molekül üzerinde simülasyonlar gerçekleştiriyor ve moleküllerin elektriksel iletkenliğiyle ilgili veriler elde ediyor; bu, olası güneş pili malzemelerine bakarken bunların kullanışlılığının bir ölçüsü.
Algoritma, bu verilere dayanarak, bu moleküllerde yapılacak küçük değişikliklerin halihazırda yararlı özelliklere yol açıp açamayacağına veya benzer verilerin eksikliğinden dolayı bunun belirsiz olup olmadığına karar verir. Her iki durumda da otomatik olarak yeni simülasyonlar ister, yeni üretilen verilerle kendini geliştirir, yeni molekülleri dikkate alır ve bu işlemi tekrarlar.
Bilim insanları, çalışmalarında, bu yaklaşımın alternatif arama algoritmalarından önemli ölçüde daha etkili olduğunu ve algoritma geniş moleküler uzayda keşfini sürdürürken yeni, gelecek vaat eden moleküllerin bu şekilde nasıl tanımlanabileceğini gösteriyor. Her hafta, yeni nesil güneş pillerine öncülük edebilecek yeni moleküller öneriliyor ve algoritma giderek daha iyi hale geliyor.