Az elektromos járművek jelentősen csökkenthetik a szén-dioxid-kibocsátást, de az autógyárak kifogynak az akkumulátorok gyártásához szükséges anyagokból. Az egyik kulcsfontosságú összetevő, a nikkel az előrejelzések szerint már az év végén ellátási hiányt okozhat. A tudósok nemrégiben négy új anyagot fedeztek fel, amelyek potenciálisan segíthetnek. De ami talán még ennél is érdekesebb, hogy hogyan találták meg ezeket az anyagokat: a kutatók mesterséges intelligenciára támaszkodtak, hogy a több mint 300 lehetőségből álló listából kiválasszák a hasznos vegyi anyagokat. És nem ők az egyetlenek, akik az AI-hez fordulnak tudományos inspirációért.
A hipotézisek felállítása a kezdetektől tisztán emberi terület. Most azonban a tudósok kezdik a gépi tanulást arra kérni, hogy eredeti felismeréseket hozzon létre. Olyan neurális hálózatokat terveznek, amelyek új hipotéziseket javasolnak a hálózatok által az adatokban talált minták alapján, ahelyett, hogy emberi feltételezésekre hagyatkoznának. Hamarosan számos terület fordulhat a gépi tanulás múzsájához, hogy felgyorsítsa a tudományos folyamatot és csökkentse az emberi elfogultságokat.
"Ez egy nagyszerű eszköz" - állítja Andrij Vasylenko, a Liverpooli Egyetem munkatársa, a Nature Communications című folyóiratban megjelent, az akkumulátoranyagok felkutatásáról szóló tanulmány társszerzője. Hozzáteszi, hogy az AI-eljárás segít azonosítani azokat a kémiai kombinációkat, amelyeket érdemes megvizsgálni, így sokkal több kémiai területet lehet gyorsabban lefedni.
Az új anyagok felfedezése nem az egyetlen terület, ahol a gépi tanulás hozzájárulhat a tudományhoz. A kutatók nagyobb műszaki és elméleti kérdésekre is alkalmazzák a neurális hálózatokat. Renato Renner, a zürichi Elméleti Fizikai Intézet fizikusa azt reméli, hogy egy nap a gépi tanulás segítségével kidolgozhat egy egységes elméletet az univerzum működéséről. Mielőtt azonban az AI feltárhatná a valóság valódi természetét, a kutatóknak meg kell küzdeniük azzal a hírhedten nehéz kérdéssel, hogy az emberi idegrendszerhez hasonlatosan felépülő neurális hálózatok hogyan hozzák meg döntéseiket.
Az új akkumulátor-anyagok esetében az ilyen feladatokat végző tudósok eddig jellemzően adatbázis-kereső eszközökre, modellezésre és a vegyi anyagokkal kapcsolatos saját megérzéseikre támaszkodtak a hasznos vegyületek kiválasztásában. Ehelyett a Liverpooli Egyetem egyik csapata gépi tanulást használt a kreatív folyamat egyszerűsítésére. A kutatók kifejlesztettek egy neurális hálózatot, amely aszerint rangsorolta a kémiai kombinációkat, hogy azok milyen valószínűséggel eredményeznek hasznos új anyagot. Ezután a tudósok ezeket a rangsorokat használták a laboratóriumi kísérleteik irányításához. Négy ígéretes elemanyag-jelöltet azonosítottak anélkül, hogy a listán szereplő összes anyagot tesztelniük kellett volna, így hónapokig tartó kísérletezést és hibázást spóroltak meg.
