L'apprentissage automatique et comment il aide les chercheurs à faire des découvertes scientifiques beaucoup plus rapidement

Anonim

Jillian Buriak et son équipe ont passé des années à développer des cellules solaires en plastique rentables pouvant être imprimées comme des journaux. Elle a ensuite discuté avec Arthur Mar, chercheur en chimie, et en quelques semaines, son équipe d’apprentissage automatique a permis à son groupe d’augmenter de 30% l’efficacité de ces cellules solaires.

"C'était un grand appel à nous réveiller", a déclaré Buriak. "Toutes sortes de découvertes scientifiques commencent à se produire plus rapidement qu'auparavant."

L'apprentissage automatique accélère les découvertes dans d'innombrables domaines de recherche et Mar et son équipe comptent parmi les nombreux pionniers de l'Université de l'Alberta dans ce domaine.

Ce ne sont pas des «terminateurs»

La culture pop propose de nombreuses idées sur ce que signifie "l'apprentissage automatique", mais pour Mar, ce n'est qu'un ensemble d'outils.

"Notre type d'apprentissage automatique n'est pas un terminateur", dit-il en riant.

L'apprentissage automatique trie et classe les ensembles complexes de données pour extraire des informations utiles.

Mar explique: "Si vous aviez besoin d’aide pour sortir une grosse caisse de l’étagère supérieure d’un magasin, vous pourriez analyser les personnes autour de vous pour savoir qui aiderait. Vous pourriez cibler les personnes portant l’uniforme de la boutique. un attribut pertinent comme la hauteur L'apprentissage automatique effectuera un regroupement et un classement similaires, mais pourra traiter beaucoup plus d'informations que n'importe lequel d'entre nous pourrait traiter. Il peut également identifier des attributs plus pertinents - il pourrait vous dire que la taille d'un employé est moins importante que son accéder à une échelle et se classer en conséquence. "

Pour les cellules solaires de Buriak, la machine a eu des années de données de laboratoire expérimentales et a été programmée pour rechercher différentes variables de conception susceptibles d'affecter l'efficacité d'une cellule solaire organique.

"En utilisant la méthode traditionnelle de changement d’une variable à la fois, nous aurions eu besoin de milliers d’expériences pour filtrer toutes ces combinaisons possibles", a déclaré Buriak. "L'algorithme d'apprentissage automatique nous a aidés à comprendre quelles variables importaient le plus, et seulement 16 expériences plus tard, nous étions en train d'augmenter systématiquement l'efficacité des cellules solaires de manière accélérée."

Vous avez seulement besoin d'un ordinateur portable

Les professeurs d’ingénierie Arvind Rajendran, Vinay Prasad et Zukui Li dirigent une équipe utilisant l’apprentissage automatique pour optimiser les processus de capture du CO2 avant qu’il puisse être émis par les centrales électriques.

"Notre processus de capture du carbone pourrait comporter 9 000 configurations différentes par matériau utilisé", a déclaré M. Prasad. "Nous devons savoir quel adsorbant potentiel est le plus efficace dans quelle configuration."

L'apprentissage automatique permet à l'équipe d'éliminer rapidement des milliers de configurations possibles qui ne pourraient jamais répondre aux exigences du département américain de l'Énergie en matière de technologie de capture du carbone pour éliminer 95% du CO2 des émissions.

"La modélisation individuelle de chacune de ces configurations nécessiterait une énorme puissance de calcul au fil des mois", a souligné M. Prasad. "Avec l'apprentissage automatique et une quantité limitée de données de formation issues de simulations détaillées, nous n'avons besoin que d'un ordinateur portable et de quelques heures."

Les avantages de l'apprentissage automatique ont été remarqués par des experts dans de nombreuses disciplines. En août, le groupe de Mar s'est associé à l'équipe de Prasad pour offrir à des chercheurs affiliés à l'initiative de recherche sur les systèmes énergétiques futurs de l'Université de l'Alberta deux ateliers d'apprentissage automatique. Tous deux ont été vendus avant leur publication, avec des participants, notamment des physiciens, des microbiologistes, des économistes et même des administrateurs. D'autres ateliers sont actuellement à l'étude et Prasad propose un cours spécial sur le sujet.

"Nous avons utilisé ces techniques pour analyser tout, de la surveillance des bassins de résidus de sables bitumineux aux qualités des grains qui produiront de la bière populaire", a-t-il déclaré. "Si vous avez des données, l'apprentissage automatique est un outil qui peut vous aider à concentrer vos efforts."

Ne pas remplacer les gens

Du point de vue de Buriak, l'essor de l'apprentissage automatique est un remaniement nécessaire pour la recherche dans de nombreux domaines, et son équipe en profite pleinement.

"En utilisant ces techniques, nous sommes en train de développer de nouveaux systèmes d’énergie solaire", at-elle déclaré. "Nous sommes sur le point de partager ces technologies à court terme."

Elle n'attribue aucune date à court terme, mais les découvertes auront certainement lieu plus tôt que si son équipe avait opté pour les méthodes traditionnelles.

Pour Mar, c'est le point.

"Nous économisons du temps et de l'argent en réduisant le nombre d'expériences nécessaires pour parvenir à une découverte", a-t-il déclaré. "Nous ne remplaçons pas encore les personnes qui font les expériences."

menu
menu