想象一下，正在尋找最佳配置來構(gòu)建由不同聚合物制成的有機(jī)太陽能電池。您將如何開始呢？有源層需要非常厚還是非常薄？它是否需要大量的聚合物？

現(xiàn)在，來自巴塞羅那材料科學(xué)研究所的研究人員專門研究了能源應(yīng)用材料，并與來自專門研究人工智能的RoviraiVirgili大學(xué)的研究人員進(jìn)行了合作，將他們收集的實驗數(shù)據(jù)點與人工智能算法結(jié)合起來，從而實現(xiàn)了對有機(jī)太陽能電池性能的前所未有的預(yù)測能力。

由馬里亞諾·坎波伊·奎爾斯（MarianoCampoy-Quiles）領(lǐng)導(dǎo)的ICMAB研究人員通過使用一種新的實驗方法生成了多個數(shù)據(jù)集，該方法允許他們僅在一個樣本中擁有大量樣本，與傳統(tǒng)方法相比，可以縮短時間。然后，使用機(jī)器學(xué)習(xí)模型從這些數(shù)據(jù)集中學(xué)習(xí)并預(yù)測甚至更多材料的性能，例如倫敦帝國理工學(xué)院的馬丁·海尼教授組合成的新型有機(jī)半導(dǎo)體。

這項研究可能是結(jié)合人工智能和高通量實驗來預(yù)測某些材料和設(shè)備的最佳條件的眾多領(lǐng)域中的第一個。

高通量實驗中使用的基于梯度的有機(jī)太陽能電池樣品。圖片：ICMAB）

獲取多個實驗數(shù)據(jù)點

這項研究的關(guān)鍵方面之一是，研究人員能夠以最小的實驗努力生成大量有意義的數(shù)據(jù)集。這是機(jī)器學(xué)習(xí)建模成功的重要方面，以獲得準(zhǔn)確可靠的模型和預(yù)測。

研究人員使用了一種基于組合篩選的方法，在該方法中，他們生成的樣品中的梯度參數(shù)主要影響有機(jī)太陽能電池的性能（即成分和厚度）。

“使用傳統(tǒng)方法時，樣本只為您提供有關(guān)一個點的信息。但是，使用我們的方法，我們可以獲得10到1000倍的積分。一方面，這允許評估材料的光伏電勢比傳統(tǒng)方法快約50倍。在另一方面，它提供了大量的統(tǒng)計數(shù)據(jù)和龐大的數(shù)據(jù)集（幾十萬點），使我們能夠可靠地訓(xùn)練不同的人工智能算法?！瘪R里亞諾Campoy-基萊斯，是ICMAB的研究員，該研究的合著者。

人工智能算法來預(yù)測行為

“在人工智能的廣泛領(lǐng)域中，我們在這項工作中應(yīng)用了機(jī)器學(xué)習(xí)，該術(shù)語收集了各種算法，這些算法賦予機(jī)器（即計算機(jī)）從給定數(shù)據(jù)集中學(xué)習(xí)的能力，但不一定要自主決策。在這里，我們利用AI的更多統(tǒng)計視野從大型實驗數(shù)據(jù)集中繪制預(yù)測模型?！盜CMAB研究人員，該研究的第一作者XabierRodríguez-Martínez解釋說。

材料科學(xué)領(lǐng)域的人工智能算法主要用于查找行為模式，并進(jìn)一步針對給定應(yīng)用開發(fā)一系列材料行為的預(yù)測模型。為此，首先對算法進(jìn)行訓(xùn)練，方法是將其暴露于真實數(shù)據(jù)以生成模型算法。然后，使用不用于創(chuàng)建模型的其他數(shù)據(jù)點來驗證模型，而是使用相同類別的材料。驗證之后，該算法將用于預(yù)測其他類似材料的行為，這些材料不屬于訓(xùn)練或驗證集中。

在此特定研究中，以高通量方法獲得的數(shù)千個點訓(xùn)練AI算法，以評估和預(yù)測決定有機(jī)太陽能電池效率的不同因素?！霸谶@種情況下，使用AI算法尤其具有挑戰(zhàn)性，”該研究的合著者，ICREAURV教授RogerGuimerà解釋說，“由于數(shù)據(jù)的數(shù)量和復(fù)雜性，并且最終目的是推斷從未經(jīng)過測試的新材料?！?/p>

成就與未來挑戰(zhàn)

這項工作代表了兩項偉大的成就。一方面，開發(fā)AI模型以預(yù)測效率如何取決于許多有機(jī)太陽能電池參數(shù)。即使對于訓(xùn)練集中未使用的材料，預(yù)測程度也很高。

MarianoCampoy-Quiles說：“第二個重要點是，由于有了AI，我們已經(jīng)確定了哪些物理參數(shù)會在更大程度上影響這種行為”，并補(bǔ)充說：“特別是，我們已經(jīng)看到最關(guān)鍵的參數(shù)決定了最佳的組成是每種材料的電子間隙，以及每種材料中電荷傳輸?shù)钠胶獬潭取！?/p>

研究人員認(rèn)為，本研究中開發(fā)的結(jié)果和方法對于指導(dǎo)理論研究人員在開發(fā)試圖確定給定系統(tǒng)效率的未來分析模型時應(yīng)考慮的因素非常重要。

“我們的下一個挑戰(zhàn)是了解更加復(fù)雜的系統(tǒng)。Campoy-Quiles總結(jié)說，系統(tǒng)越復(fù)雜，人工智能就越有用。