Uczenie maszynowe i to, w jaki sposób pomaga naukowcom znacznie szybciej odkrywać odkrycia naukowe

Biblical Series II: Genesis 1: Chaos & Order (Lipiec 2019).

Anonim

Jillian Buriak i jej zespół spędzili lata na opracowywaniu opłacalnych plastikowych ogniw słonecznych, które można drukować jak gazety. Potem rozmawiała z innym badaczem chemii, Arthurem Marem, i już po kilku tygodniach jego zespół uczący się maszyn umożliwił jej grupie zwiększenie wydajności ogniw słonecznych o 30 procent.

"To była dla nas wielka pobudka" - powiedział Buriak. "Wszelkiego rodzaju odkrycia naukowe zaczynają się dziać szybciej niż kiedyś."

Uczenie maszynowe przyspiesza odkrycia w niezliczonych obszarach badań, a Mar i jego zespół należą do pionierów w tej dziedzinie na University of Alberta.

Nie są "terminatorami"

Popkultura oferuje wiele pomysłów na temat "uczenie maszynowe", ale dla Mar to tylko zestaw narzędzi.

"Nasz rodzaj uczenia maszynowego nie jest terminatorami", powiedział ze śmiechem.

Uczenie maszynowe sortuje i kategoryzuje złożone zbiory danych, aby uzyskać przydatne informacje.

Mar wyjaśnia: "Jeśli potrzebujesz pomocy w znalezieniu ciężkiego pudełka z górnej półki w sklepie, możesz przeanalizować ludzi wokół ciebie, aby zobaczyć, kto może im pomóc. Możesz skierować reklamy do osób noszących mundur sklepu, a następnie ocenić je na podstawie odpowiedni atrybut, taki jak wysokość. Uczenie maszynowe będzie miało podobne grupowanie i klasyfikację, ale może obsłużyć znacznie więcej informacji niż każdy z nas może przetworzyć. Może również zidentyfikować bardziej odpowiednie atrybuty - może powiedzieć, że wzrost pracownika jest mniej ważny niż jego dostęp do drabiny i odpowiednio uszereguj. "

W przypadku ogniw słonecznych Buriaka urządzenie otrzymało wiele eksperymentalnych danych laboratoryjnych i zaprogramowano je w celu poszukiwania różnych zmiennych projektowych, które mogłyby wpłynąć na efektywność organicznych ogniw słonecznych.

"Korzystając z tradycyjnej metody zmiany jednej zmiennej na raz, potrzebowalibyśmy tysięcy eksperymentów, aby przeskanować wszystkie możliwe kombinacje" - powiedział Buriak. "Algorytm uczenia maszynowego pomógł nam zrozumieć, które zmienne mają największe znaczenie, a zaledwie 16 eksperymentów później, byliśmy na drodze do systematycznego zwiększania wydajności ogniw słonecznych w dramatycznie przyspieszonym tempie".

Potrzebujesz tylko laptopa

Inżynierowie, profesorowie Arvind Rajendran, Vinay Prasad i Zukui Li, kierują zespołem wykorzystującym uczenie maszynowe w celu optymalizacji procesów wychwytywania CO2, zanim będzie on emitowany z elektrowni.

"Nasz proces wychwytywania dwutlenku węgla może mieć 9000 różnych konfiguracji dla każdego użytego materiału" - powiedział Prasad. "Musimy wiedzieć, który potencjalny adsorbent jest najbardziej efektywny w jakiej konfiguracji."

Uczenie maszynowe pozwala zespołowi szybko wyeliminować tysiące możliwych konfiguracji, które nigdy nie spełniłyby wymogów amerykańskiego Departamentu Energii dotyczących technologii wychwytywania dwutlenku węgla w celu usunięcia 95% CO2 z emisji.

"Indywidualne modelowanie każdej z tych konfiguracji wymagałoby ogromnej mocy obliczeniowej w ciągu miesięcy" - zauważył Prasad. "Dzięki uczeniu maszynowemu i ograniczonej ilości danych szkoleniowych ze szczegółowych symulacji potrzebujemy tylko laptopa i kilku godzin".

Korzyści z uczenia maszynowego zauważyli eksperci z wielu dziedzin. W sierpniu grupa Mara współpracowała z zespołem Prasad, aby zaoferować naukowcom powiązanym z inicjatywą badawczą U of A's Future Energy Systems dwóch warsztatów z zakresu uczenia maszynowego zrób to sam. Obie zostały wyprzedane, zanim zostały ogłoszone, wraz z uczestnikami, w tym fizyków, mikrobiologów, ekonomistów, a nawet administratorów. Obecnie rozważa się więcej warsztatów, a Prasad oferuje specjalny kurs dla absolwentów na ten temat.

"Wykorzystaliśmy te techniki do analizy wszystkiego, od monitorowania odpadów w stacjach wydobycia ropy do jakości ziarna, które sprawi, że popularne piwo" - powiedział. "Jeśli masz dane, uczenie maszynowe jest narzędziem, które może pomóc ci skoncentrować wysiłki."

Nie zastępuje ludzi

Z punktu widzenia Buriaka rozwój uczenia maszynowego jest koniecznym wstrząsem do badań w wielu dziedzinach, a jej zespół w pełni wykorzystuje swoje możliwości.

"Wykorzystując te techniki, jesteśmy w trakcie opracowywania naprawdę nowych systemów energii słonecznej" - powiedziała. "Jesteśmy na dobrej drodze, aby dzielić się tymi technologiami w najbliższym czasie."

Nie przypisuje żadnych terminów w najbliższym czasie, ale odkrycia na pewno nastąpią wcześniej, niż gdyby jej drużyna utknęła przy użyciu tradycyjnych metod.

Do Mar, o to chodzi.

"Oszczędzamy czas i pieniądze, zmniejszając liczbę eksperymentów potrzebnych do odkrycia" - powiedział. "Nie zastępujemy jeszcze osób, które eksperymentują."

menu
menu