Jillian Buriak et son équipe ont passé des années à développer des cellules solaires en plastique économiques qui peuvent être imprimées comme des journaux. Puis elle a discuté avec son collègue chercheur en chimie Arthur Mar, et en quelques semaines seulement, son équipe d'apprentissage automatique a permis à son groupe d'augmenter de 30 % l'efficacité de ces cellules solaires.

"C'était un grand réveil pour nous, " 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 sont parmi les nombreux pionniers de l'Université de l'Alberta dans le domaine.

Ce ne sont pas des "terminateurs"

La culture pop offre 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 des terminateurs, " dit-il en riant.

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

Mar explique : « Si vous aviez besoin d'aide pour retirer une lourde boîte de l'étagère du haut d'un magasin, vous pourriez analyser les gens autour de vous pour voir qui pourrait vous aider. Vous pouvez cibler les personnes portant l'uniforme du magasin, et ensuite vous pouvez les classer en fonction d'un attribut pertinent comme la hauteur. L'apprentissage automatique effectuera un regroupement et un classement similaires, mais peut traiter beaucoup plus d'informations que n'importe lequel d'entre nous ne pourrait en traiter. Il peut également identifier des attributs plus pertinents - il pourrait vous dire que la taille d'un employé est moins importante que son accès à une échelle, et classez-vous en conséquence."

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

"En utilisant la méthode traditionnelle consistant à changer une variable à la fois, nous aurions eu besoin de milliers d'expériences pour cribler 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 sur la bonne voie pour augmenter systématiquement l'efficacité des cellules solaires d'une manière considérablement accélérée."

Vous n'avez besoin que 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 ne puisse être émis par les centrales électriques.

"Notre processus de capture du carbone pourrait avoir 9, 000 configurations différentes par matériau utilisé, " a déclaré 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 concernant la technologie de capture du carbone afin d'éliminer 95 % du CO2 des émissions.

« Modéliser individuellement chacune de ces configurations nécessiterait une puissance de calcul immense sur des mois, " Prasad a souligné. " Avec l'apprentissage automatique et une quantité limitée de données d'entraînement provenant 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 aux chercheurs affiliés à l'initiative de recherche Future Energy Systems de l'Université de l'Alberta deux ateliers d'apprentissage automatique à faire soi-même. Les deux ont été vendus avant d'être annoncés, avec des participants dont des physiciens, microbiologistes, économistes, et même les administrateurs. D'autres ateliers sont maintenant envisagés et Prasad propose un cours spécial d'études supérieures sur le sujet.

« Nous avons utilisé ces techniques pour tout analyser, de la surveillance des bassins de résidus de sables bitumineux aux qualités de grain qui feront de la bière populaire, " dit-il. " 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 du machine learning est un bouleversement 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 véritables nouveaux systèmes d'énergie solaire, " a-t-elle dit. " Nous sommes sur la bonne voie pour partager ces technologies à court terme. "

Elle n'assigne aucune date à court terme, mais les découvertes se produiront certainement plus tôt que si son équipe s'en était tenue aux méthodes traditionnelles.

à mars, c'est le but.

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