德国慕尼黑大学与柏林弗里茨·哈伯研究所的科学家们，已经找到了一条依靠主动式机器学习（AML）技术，来持续改进光伏面板的新方法。传统意义上的学习，无非是借鉴以往的经验。即便需要应对新的情况，AI 也相当依赖于此前已经处理过的大致相似状况。不过本文介绍的主动式学习技术，似乎已经开辟出了一个几乎无限的可能。 研究配图 - 1：在几乎不受限制的空间中的 AML 新发现 在面向未来的便携式太阳能电池或可卷曲显示屏等研究领域，有机半导体研究人员在处理无数种可能的候选分子时，就面临着相当大的考验。 庆幸的是，在此类具有改进特性的有机分子的发现任务上，已经有越来越多人开始考虑借助机器学习（Machine Learning）的力量，通过来自计算机仿真或实验的数据而开展相关训练。 研究配图 - 2：有限 OSC 测试空间 然而具有这种可能的小有机分子数量，规模可能高达 10^33，使得我们几乎不可能实际生成足够的数据，来反映材料的多样性。 好消息是，弗里茨-哈伯研究所理论系负责人 Karsten Reuter 教授，刚刚在《自然通讯》（Nature Communications）期刊上发表了他们的新颖解决方案。 研究配图 - 3：有限测试空间的 AML 探索 主动式机器学习（AML）算法，并不依赖于从现有的数据中学习，而是通过不断地迭代，以确定实际上需要学习该问题的相关数据。 基于此，科学家们首先对几个较小的分子进行了模拟，以获得与分子电导率有关的数据（衡量太阳能电池材料的实用性的一个维度）。 研究配图 - 4：在几乎不受限的空间中的 AML 发现的基本原则 然后算法将决定这些分子的微小修饰是否可推导出实用的特征，或者因缺乏相似数据而不确定。在此情况下，系统都会自动请求新的模拟，通过生成新的数据来自我改进、考虑新分子，并不断重复此过程。 目前，科学家们已经展示了如何借此有效地识别出新的有前景的分子、同时算法仍在继续探索广阔的分子空间，结果是我们几乎每周都可梳理出新型分子结构，有助于让下一代太阳能电池的研发工作愈加轻松。
