Machine Learning

Mit aktivem maschinellem Lernen zu neuen Solarzellen

Weniger Vorgaben führen Künstliche Intelligenz effizienter zu neuen Materialien. Um mit der Vielfalt möglicher Materialien effizient zurechtzukommen, bestimmt die Maschine selbst, welche Daten sie braucht.

Aktiv selbst lernend bewegt sich der Algorithmus immer weiter durch die unendlichen Weiten des molekularen Raums und schlägt immer wieder neue Moleküle vor, die die Basis für die nächste Generation von Solarzellen sein könnten.

Lernen ist eigentlich nichts anderes als aus gemachten Erfahrungen neue Schlüsse zu ziehen. Um mit einer neuen Situation in dieser Weise umgehen zu können, muss man vorher halbwegs ähnliche Situationen erlebt haben. Beim maschinellen Lernen bedeutet dies, dass man dem Lernalgorithmus entsprechend viele Daten zur Verfügung stellt. Was aber, wenn es so unendlich viele Möglichkeiten gibt, dass es schlicht unmöglich ist, für alles ähnliche Daten zu generieren? Genau dieses Problem ergibt sich sehr oft bei der schier endlosen Vielzahl möglicher Moleküle.

Ein Forschungsteam der Technischen Universität München (TUM) und des Fritz-Haber-Instituts in Berlin nutzt maschinelles Lernen bei der Suche nach geeigneten molekularen Materialien für neue organische Halbleiter, die Basis für organische Feldeffekt-Transistoren (OFETs), Licht emittierende Dioden (OLEDs) und organische Solarzellen (OPVs). Um mit der endlosen Vielfalt möglicher Materialien effizient zurechtzukommen, bestimmt die Maschine selbst, welche Daten sie braucht.

Moleküle für tragbare Solarzellen oder zusammenrollbare Bildschirme

Organische Halbleiter bilden die Grundlage für so zukunftsträchtige Anwendungen wie tragbare Solarzellen oder zusammenrollbare Bildschirme. Hierfür müssen aber noch bessere organische Moleküle gefunden werden, aus denen sich diese Materialien zusammensetzen. Für solche Suchaufgaben werden zunehmend Verfahren des maschinellen Lernens eingesetzt, die entweder mit gerechneten oder gemessenen Daten trainiert werden.

Allerdings wird die Anzahl grundsätzlich möglicher organischer Moleküle auf ungefähr 1.033 geschätzt – eine so große Zahl, dass es unmöglich wäre, einfach so Daten zu erzeugen, die diese riesige Vielfalt halbwegs abdecken. Zumal die allermeisten Möglichkeiten komplett unbrauchbar für organische Halbleiter sind und es sprichwörtlich gilt, die Nadel im Heuhaufen zu finden.

Aktiver Lernalgorithmus entscheidet selbst, welche Daten er braucht

Das Team um Prof. Karsten Reuter, Direktor der Abteilung Theorie am Fritz-Haber-Institut und Dr. Harald Oberhofer, Heisenberg-Stipendiat am Lehrstuhl für Theoretische Chemie der TU München, geht dieses Problem mit sogenanntem aktiven Lernen an. Anstatt mit vorhandenen Daten zu lernen, bestimmt dieser Lernalgorithmus sukzessive selbst, welche Daten er braucht.

Vorab berechnen die Wissenschaftler mit aufwändigen Computersimulationen für eine Anzahl kleinerer Moleküle elektrische Leitfähigkeitsdaten, die eine Eignung in organischen Halbleitern und Solarzellen andeuten. Basierend auf diesen Daten prüft der Algorithmus, ob kleinere Modifikationen der Moleküle entweder zu sehr guten Eigenschaften führen oder ob er sich unsicher über diese Eigenschaften ist, weil ihm ähnliche Daten fehlen. In beiden Fällen fordert er automatisch neue Simulationen an, verbessert sich anhand der so generierten Daten, überlegt sich neue Moleküle – und so geht dies kontinuierlich weiter.

In ihrer Arbeit zeigen die Wissenschaftler, dass dieser Ansatz deutlich effizienter ist als alternative Suchalgorithmen und auf diese Weise neue vielversprechende Moleküle gefunden werden, während sich der Algorithmus immer weiter durch die Weiten des molekularen Raums bewegt. Jede Woche schlägt er neue Moleküle vor, die die nächste Generation von Solarzellen einläuten könnten, und er wird immer besser.