Od „The Terminator“ և „The Blade Runner“ po „The Matrix“ nás Hollywood naučil dávat si pozor na umělou inteligenci. Ale místo toho, aby bylo možné zachytit velké množství zkušeností bez velké obrazovky, mohou být algoritmy řešením alespoň jednoho problému vyvolaného klimatickou krizí.
Vědci z Exciton Science Center of Excellence úspěšně vyvinuli nový model strojového učení k předpovědi účinnosti konverze (PCE) látek, které lze použít v organických krevních buňkách nové generace, včetně „virtuálních“ sloučenin, které dosud neexistují.
Na rozdíl od některých časově náročných a složitých modelů je druhý přístup rychlý, snadno použitelný a kód je volně k dispozici všem vědcům a technikům.
Klíčem k vývoji uživatelsky přívětivějšího modelu bylo nahrazení složitých, výpočetně nákladných parametrů, které vyžadují kvantově mechanické výpočty, jednoduššími a chemičtěji interpretovanými popisy podpisů analyzovaných molekul. Poskytují důležitá data o nejvýznamnějších chemických fragmentech materiálů ovlivňujících PCE a vytvářejí informace, které lze použít k návrhu vylepšených materiálů.
Příklad nové generace pružných krevních buněk.
Nový přístup výrazně urychlí proces navrhování efektivnějších krevních buněk v době, kdy je poptávka po obnovitelné energii při snižování emisí uhlíku vyšší než kdy dříve. Výsledky byly publikovány v časopise Nature Odhady:,
Po desetiletích spoléhání se na křemík, který je relativně drahý և postrádá flexibilitu, se stále více pozornosti věnuje organickým fotovoltaickým (OPV) krevním buňkám, jejichž výroba pomocí technologie tisku bude levnější, protože je všestrannější a snadněji se spravuje . ,
Dr. Nastaran Maftahi z RMIT University AR ARC z Exiton Science Center of Excellence. Zápočet: Exciton Science
Hlavním úkolem je vyřešit obrovské množství potenciálně vhodných chemikálií, které lze syntetizovat (podle vědců) pro použití v OPV.
Vědci se již dříve pokusili tento problém vyřešit pomocí strojového učení, ale mnoho z těchto modelů bylo časově náročných, vyžadovalo značný výpočetní výkon a bylo obtížné je replikovat. A možná neposkytli dostatečné vodítko pro experimentální vědce, kteří se snaží vytvořit nová solární zařízení.
Nyní se práce univerzitního profesora RMIT Nastarana Meftahiho a profesora Salvi Rousseaua společně s týmem profesora Uda Bacha z University of Monash úspěšně zabývala mnoha z těchto výzev.
„Většina ostatních modelů používá elektronické deskriptory, které jsou složité, výpočetně nákladné a nejsou chemicky interpretovatelné,“ řekl Nastaran.
„Znamená to, že experimentální chemik nebo vědec nemůže z těchto modelů získat nápady pro návrh nebo syntézu materiálů v laboratoři. „Když se podívají na mé modely, protože jsem použil jednoduché, chemicky interpretované deskriptory, mohou tyto fragmenty vidět.“
Nastaranovu práci velmi podpořil jeho spoluautor profesor Dave Winkler z CSIRO Data 61, Monash University, La Trobe University և Nottingham University. Profesor Winkler spoluzaložil program BioModeller, který položil základy nového modelu otevřeného zdroje.
Díky tomu byli vědci schopni mimo jiné produkovat silné prediktivní výsledky, které generují kvantitativní vazby mezi testovanými molekulárními podpisy a účinností budoucích OPV zařízení.
Společnost Nastaran a její partneři nyní hodlají rozšířit rozsah své práce tak, aby zahrnovala větší „přesně vypočítané“ experimentální databáze.
Odkaz. „Prognóza zařízení pro strojové učení pro organická fotovoltaická zařízení“ Nastaran Meftahi, Mikhailo Klimenko, Andrew Christ. Christofferson, Udo Bach, David A. Winkler և Salvi P. Autor: Rousseau, 2020 6. listopadu npj Výpočtové materiály:,
DOI: 10.1038 / s41524-020-00429-w: