迄今为止探索的化学空间的可视化。信用:昆克尔/FHI我如何为我还不知道的事情做准备？柏林弗里茨·哈伯研究所和慕尼黑工业大学的科学家在机器学习的背景下解决了这个几乎是哲学性的问题。学习只不过是吸取以前的经验。为了处理一个新的情况，一个人需要以前处理过大致相似的情况。在机器学习中，这相应地意味着学习算法需要接触到大致相似的数据。但是，如果有几乎无限的可能性，以至于根本不可能生成涵盖所有情况的数据，我们能做什么呢？当处理无限数量的可能候选分子时，这个问题会出现很多。有机半导体使重要的未来技术成为可能，如便携式太阳能电池或可滚动显示器。对于这样的应用，需要发现构成这些材料的改良有机分子。这种性质的任务越来越多地使用机器学习的方法，同时根据计算机模拟或实验的数据进行训练。然而，潜在的有机小分子的数量估计在1033个左右。大量的可能性使得实际上不可能产生足够的数据来反映大量的物质多样性。此外，其中许多分子甚至不适合有机半导体。一个本质上是大海捞针。
在他们最近发表在《自然通讯》上的工作中，弗里茨-哈伯研究所理论部主任卡斯滕·路透教授的团队利用所谓的主动学习解决了这个问题。机器学习算法不是从现有数据中学习，而是迭代地为自己决定实际需要学习哪些数据来解决问题。科学家们首先对一些较小的分子进行模拟，并获得与分子电导率相关的数据——这是观察可能的太阳能电池材料时对它们有用性的一种衡量。基于这些数据，该算法决定了对这些分子的微小修改是否已经导致有用的特性，或者是否由于缺乏类似的数据而不确定。
在这两种情况下，它都会自动请求新的模拟，通过新生成的数据改进自己，考虑新的分子，并继续重复这个过程。在他们的工作中，科学家们展示了如何以这种方式有效地识别新的和有希望的分子，同时算法继续探索广阔的分子空间，即使是现在，就在此时此刻。每周都有可能迎来下一代太阳能电池的新分子被提出，算法也越来越好。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
