Машинное обучение сократит время поиска эффективных полимеров
Машинное обучение — это мощный инструмент, который позволяет компьютерам делать прогнозы даже в сложных ситуациях, если алгоритмы снабжены достаточным количеством примеров данных. Это особенно полезно для сложных задач в материаловедении, например в проектировании молекул для органических солнечных элементов, которое может зависеть от множества факторов и неизвестных молекулярных структур. Людям потребовались бы годы для анализа данных, чтобы найти основные закономерности, и еще больше времени, чтобы проверить все возможные комбинации донорных полимеров и акцепторных молекул, из которых состоит органический солнечный элемент. Таким образом, прогресс в повышении эффективности солнечных элементов был медленным.
Теперь исследователи из Университета Осаки использовали машинное обучение для проверки сотен тысяч пар донор-акцептор на основе алгоритма, обученного на данных ранее опубликованных экспериментальных исследований. Испытание всех возможных комбинаций из 382 донорных молекул и 526 акцепторных молекул привело к 200 932 парам, которые были виртуально протестированы путем прогнозирования их эффективности преобразования энергии.
«Построение нашей машинной модели на экспериментальном наборе данных резко повысило точность прогнозов» , — говорит первый автор Какарапарти Крантхираджа.
Чтобы проверить результат машинного прогноза, в лаборатории был синтезирован и протестирован один из полимеров, обладающих высокой эффективностью. Обнаружилось, что его свойства соответствуют предсказаниям. Такой результат придал исследователям больше уверенности в своем подходе.
«Этот проект может способствовать не только разработке высокоэффективных органических солнечных батарей, но и быть адаптирован к других функциональным материалам», - говорит старший автор Акинори Саэки.
А ведь такой подход значительно сокращает время исследований и если алгоритмы машинного обучения «довести до ума», то прорывных открытий станет гораздо больше