Maschinelles Lernen und wie es Forschern hilft, wissenschaftliche Entdeckungen viel schneller zu machen

Anonim

Jillian Buriak und ihr Team haben jahrelang kostengünstige Kunststoff-Solarzellen entwickelt, die wie Zeitungen gedruckt werden können. Dann unterhielt sie sich mit seinem Chemieforscher Arthur Mar und in nur wenigen Wochen ermöglichte es sein Team für maschinelles Lernen seiner Gruppe, die Effizienz dieser Solarzellen um 30 Prozent zu steigern.

"Das war ein großer Weckruf für uns", sagte Buriak. "Alle Arten von wissenschaftlichen Entdeckungen beginnen schneller zu passieren als früher."

Maschinelles Lernen beschleunigt die Entdeckungen in zahlreichen Forschungsbereichen, und Mar und sein Team gehören zu den vielen Pionieren der Universität von Alberta auf diesem Gebiet.

Sie sind keine "Terminatoren"

Die Popkultur bietet viele Ideen darüber, was "maschinelles Lernen" bedeutet, aber für Mar sind es nur ein paar Werkzeuge.

"Unsere Art von maschinellem Lernen ist kein Terminator", sagte er lachend.

Beim maschinellen Lernen werden komplexe Datenmengen sortiert und kategorisiert, um nützliche Informationen hervorzubringen.

Mar erklärt: "Wenn Sie Hilfe brauchen, um in einem Geschäft eine schwere Schachtel vom obersten Regal zu nehmen, könnten Sie die Leute um Sie herum analysieren, um zu sehen, wer helfen würde. Sie könnten Leute mit der Ladenuniform anvisieren, und dann können Sie sie aufstellen Ein relevantes Attribut wie Höhe Das maschinelle Lernen wird ähnliche Clustering und Ranking durchführen, aber kann viel mehr Informationen verarbeiten, als jeder von uns verarbeiten könnte.Es kann auch relevantere Attribute identifizieren - es könnte Ihnen sagen, dass die Höhe eines Angestellten weniger wichtig ist als ihre Zugang zu einer Leiter und Rang entsprechend. "

Für Buriaks Solarzellen wurde die Maschine jahrelang mit experimentellen Labordaten versorgt und programmiert, um nach verschiedenen Entwurfsvariablen zu suchen, die die Effizienz einer organischen Solarzelle beeinflussen könnten.

"Mit der traditionellen Methode, eine Variable nach der anderen zu ändern, hätten wir Tausende von Experimenten benötigt, um all diese möglichen Kombinationen zu untersuchen", sagte Buriak. "Der maschinelle Lernalgorithmus half uns zu verstehen, welche Variablen am wichtigsten waren, und nur 16 Experimente später waren wir auf dem Weg, die Effizienz von Solarzellen auf dramatisch beschleunigte Weise zu steigern."

Sie brauchen nur einen Laptop

Die Ingenieurprofessoren Arvind Rajendran, Vinay Prasad und Zukui Li leiten ein Team, das mithilfe von maschinellem Lernen die CO2-Abscheidungsprozesse optimiert, bevor diese aus Kraftwerken emittiert werden können.

"Unser Kohlenstoffabscheidungsprozess könnte 9.000 verschiedene Konfigurationen pro verwendetem Material haben", sagte Prasad. "Wir müssen wissen, welches Adsorptionsmittel in welcher Konfiguration am effektivsten ist."

Maschinelles Lernen ermöglicht es dem Team, schnell Tausende von möglichen Konfigurationen zu eliminieren, die niemals die Anforderung des US-Energieministeriums nach einer CO2-Abscheidungstechnologie erfüllen könnten, um 95 Prozent des CO2 aus Emissionen zu entfernen.

"Die individuelle Modellierung jeder dieser Konfigurationen würde über Monate immense Rechenleistung erfordern", betonte Prasad. "Mit maschinellem Lernen und einer begrenzten Menge an Trainingsdaten aus detaillierten Simulationen benötigen wir nur einen Laptop und ein paar Stunden."

Die Vorteile des maschinellen Lernens haben Experten in vielen Disziplinen erkannt. Im August hat die Gruppe von Mar mit dem Team von Prasad zusammengearbeitet, um Forschern, die der Forschungsinitiative "Future Energy Systems" der U of A angehören, zwei Do-it-yourself-Workshops zum maschinellen Lernen anzubieten. Beide waren ausverkauft, bevor sie beworben wurden, mit Teilnehmern einschließlich Physikern, Mikrobiologen, Ökonomen und sogar Verwaltern. Weitere Workshops werden derzeit in Erwägung gezogen, und Prasad bietet einen speziellen Graduiertenkurs zu diesem Thema an.

"Wir haben diese Techniken verwendet, um alles zu analysieren, von der Überwachung von Ölsandtümpeln bis hin zu den Qualitäten von Getreide, das beliebtes Bier machen wird", sagte er. "Wenn Sie Daten haben, ist maschinelles Lernen ein Werkzeug, mit dem Sie sich auf Ihre Bemühungen konzentrieren können."

Leute nicht ersetzen

Aus der Perspektive von Buriak ist der Aufstieg des maschinellen Lernens eine notwendige Neuorientierung für die Forschung in vielen Bereichen, und ihr Team nutzt alle Vorteile aus.

"Mit diesen Techniken sind wir dabei, einige wirklich neue Solarstromanlagen zu entwickeln", sagte sie. "Wir sind auf dem besten Weg, diese Technologien in naher Zukunft zu teilen."

Sie gibt kurzfristig keine Termine an, aber die Entdeckungen werden sicherlich eher passieren, als wenn ihr Team mit traditionellen Methoden festgefahren wäre.

Für Mar, das ist der Punkt.

"Wir sparen Zeit und Geld, indem wir die Anzahl der Experimente reduzieren, die benötigt werden, um zu einer Entdeckung zu kommen", sagte er. "Wir ersetzen die Leute, die die Experimente machen, noch nicht."

menu
menu