Maskinelæring, og hvordan det hjælper forskere med at gøre videnskabelige opdagelser meget hurtigere

Jillian Buriak og hendes team brugte år på at udvikle omkostningseffektive plastiksolceller, der kan udskrives som aviser. Så chattede hun med andre kemiforsker Arthur Mar, og på få uger satte hans maskinlæringsteam hendes gruppe i stand til at øge effektiviteten af ​​disse solceller med 30 procent.

"Det var et stort wake-up call for os, " sagde Buriak. "Alle slags videnskabelige opdagelser begynder at ske hurtigere, end de plejede."

Maskinlæring accelererer opdagelser inden for utallige forskningsområder, og Mar og hans team er blandt University of Albertas mange pionerer på området.

De er ikke 'terminatorer'

Popkulturen byder på mange ideer om, hvad "machine learning" betyder, men for Mar er det bare et sæt værktøjer.

"Vores form for maskinlæring er ikke terminatorer, " sagde han med et grin.

Maskinlæring sorterer og kategoriserer komplekse datasæt for at pirre nyttig information.

Mar forklarer:"Hvis du havde brug for hjælp til at få en tung kasse fra øverste hylde i en butik, du kunne analysere mennesker omkring dig for at se, hvem der ville hjælpe. Du kunne målrette mod folk, der bærer butiksuniformen, og så kan du rangere dem baseret på en relevant egenskab som højde. Maskinlæring vil udføre lignende klyngedannelse og rangering, men kan håndtere meget mere information, end nogen af ​​os kunne behandle. Det kan også identificere mere relevante egenskaber – det kan fortælle dig, at en medarbejders højde er mindre vigtig end deres adgang til en stige, og rangordnes derefter."

For Buriaks solceller, maskinen fik mange års eksperimentelle laboratoriedata og programmeret til at lede efter forskellige designvariabler, der kunne påvirke effektiviteten af ​​en organisk solcelle.

"Ved at bruge den traditionelle metode til at ændre en variabel ad gangen, vi ville have haft brug for tusindvis af eksperimenter for at screene alle de mulige kombinationer, " sagde Buriak. "Maskinlæringsalgoritmen hjalp os med at forstå, hvilke variabler der betød mest, og kun 16 eksperimenter senere, vi var på vej til systematisk at øge effektiviteten af ​​solceller på en dramatisk accelereret måde."

Du behøver kun en bærbar computer

Ingeniørprofessorer Arvind Rajendran, Vinay Prasad og Zukui Li leder et team, der bruger maskinlæring til at optimere processer til opsamling af CO2, før det kan udledes fra kraftværker.

"Vores kulstoffangstproces kunne have 9, 000 forskellige konfigurationer pr. anvendt materiale, " sagde Prasad. "Vi er nødt til at vide, hvilken potentiel adsorbent der er mest effektiv i hvilken konfiguration."

Maskinlæring gør det muligt for teamet hurtigt at eliminere tusindvis af mulige konfigurationer, som aldrig kunne opfylde det amerikanske energiministeriums krav om kulstoffangstteknologi for at fjerne 95 procent af CO2 fra emissioner.

"Individuel modellering af hver af disse konfigurationer ville kræve enorm computerkraft over måneder, " påpegede Prasad. "Med maskinlæring og en begrænset mængde træningsdata fra detaljerede simuleringer, vi mangler kun en bærbar computer og et par timer."

Fordelene ved maskinlæring er blevet bemærket af eksperter inden for mange discipliner. I august, Mars gruppe gik sammen med Prasads team for at tilbyde forskere, der er tilknyttet U of A's Future Energy Systems-forskningsinitiativ, to gør-det-selv maskinlæringsworkshops. Begge var udsolgt før de blev annonceret, med deltagere, herunder fysikere, mikrobiologer, økonomer, og endda administratorer. Flere workshops overvejes nu, og Prasad tilbyder et særligt kandidatkursus om emnet.

"Vi har brugt disse teknikker til at analysere alt fra overvågningen af ​​oliesands affaldsdamme til kvaliteterne af korn, der vil lave populær øl, " sagde han. "Hvis du har data, maskinlæring er et værktøj, der kan hjælpe dig med at fokusere din indsats."

Udskifter ikke mennesker

Fra Buriaks perspektiv, fremkomsten af ​​maskinlæring er en nødvendig omvæltning for forskning på mange områder, og hendes hold udnytter det fuldt ud.

"Ved at bruge disse teknikker, vi er i gang med at udvikle nogle helt nye solenergisystemer, " sagde hun. "Vi er på vej til at dele disse teknologier på kort sigt."

Hun tildeler ingen datoer til den nærmeste tid, men opdagelserne vil helt sikkert ske hurtigere, end hvis hendes team havde holdt fast i traditionelle metoder.

Til Mar, det er pointen.

"Vi sparer tid og penge ved at reducere antallet af eksperimenter, der er nødvendige for at komme til en opdagelse, " sagde han. "Vi erstatter ikke de mennesker, der laver eksperimenterne endnu."