Làm thế nào tôi có thể chuẩn bị cho mình cho một cái gì đó mà tôi chưa biết?
Các nhà khoa học từ Đại học Kỹ thuật Munich (TUM) và từ Học viện Fritz Haber Berlin đã giải quyết câu hỏi gần như triết học này trong bối cảnh máy học.
Học hỏi không hơn là rút ra quyết định mới dựa trên kinh nghiệm trước đó. Để đối phó với một tình huống mới theo cách này, người ta cần phải xử lý những tình huống tương tự trước đó. Trong học máy, điều này tương ứng có nghĩa là một thuật toán học cần phải được tiếp xúc với dữ liệu gần như tương tự.
Nhưng chúng ta có thể làm gì nếu có rất nhiều khả năng gần như vô hạn để không thể tạo ra dữ liệu bao gồm tất cả các tình huống? Vấn đề này trở thành một thách thức lớn khi xử lý vô số các phân tử ứng viên có thể có.
Chất bán dẫn hữu cơ cho phép các công nghệ quan trọng trong tương lai như pin mặt trời di động hoặc màn hình cuộn. Đối với những ứng dụng như vậy, các phân tử hữu cơ cải tiến - tạo nên những vật liệu này - cần phải được khám phá. Các nhiệm vụ có tính chất này đang ngày càng sử dụng các phương pháp học máy, đồng thời đào tạo về dữ liệu từ các mô phỏng hoặc thí nghiệm trên máy tính.
Tuy nhiên, số lượng các phân tử hữu cơ nhỏ có thể có được ước tính là theo thứ tự 1033. Số lượng khả năng quá lớn này khiến thực tế không thể tạo ra đủ dữ liệu để phản ánh sự đa dạng vật chất lớn như vậy. Ngoài ra, nhiều phân tử trong số đó thậm chí không phù hợp với chất bán dẫn hữu cơ. Một người về cơ bản là tìm kiếm cây kim châm trong đống cỏ khô.
Nhóm nghiên cứu xung quanh Giáo sư Karsten Reuter, Giám đốc Khoa Lý thuyết tại Viện Fritz-Haber, và Tiến sĩ Harald Oberhofer, Học giả Heisenberg tại Chủ tịch Hóa lý thuyết, đã giải quyết vấn đề này bằng cách sử dụng cái gọi là học tập tích cực. Thay vì học từ dữ liệu hiện có, thuật toán học máy tự quyết định lặp đi lặp lại dữ liệu nào nó thực sự cần để tìm hiểu về vấn đề.
Đầu tiên, các nhà khoa học thực hiện mô phỏng trên một vài phân tử nhỏ hơn và thu được dữ liệu liên quan đến độ dẫn điện của các phân tử - một thước đo về tính hữu dụng của chúng khi xem xét các vật liệu có thể có của pin mặt trời.
Dựa trên dữ liệu này, thuật toán quyết định xem liệu các sửa đổi nhỏ đối với các phân tử này đã có thể dẫn đến các đặc tính hữu ích hay chưa hoặc liệu nó có không chắc chắn do thiếu dữ liệu tương tự hay không. Trong cả hai trường hợp, nó tự động yêu cầu các mô phỏng mới, tự cải thiện thông qua dữ liệu mới được tạo, xem xét các phân tử mới và tiếp tục lặp lại quy trình này.
Trong công trình nghiên cứu của mình, các nhà khoa học cho thấy rằng cách tiếp cận này hiệu quả hơn đáng kể so với các thuật toán tìm kiếm thay thế và cách các phân tử mới, đầy hứa hẹn có thể được xác định theo cách này trong khi thuật toán tiếp tục khám phá không gian phân tử rộng lớn. Mỗi tuần, nó đề xuất các phân tử mới có thể mở ra thế hệ pin mặt trời tiếp theo và thuật toán tiếp tục ngày càng tốt hơn.