Dört laboratuvar deneysel farklılıkların yapay zeka katalizör tahminlerini zayıflatabileceğini buldu

Bol karbondioksiti değerli yakıta dönüştürmek için hangi katalizörlerin en uzun süre en iyi şekilde çalıştığını belirlemenin hızlı ve etkili bir yoluna ihtiyacımız var. Yapay zeka modelleri katalizör seçimine rehberlik etme potansiyeline sahip ancak internet sohbet robotlarında olduğu gibi yapay zeka modelleri de yalnızca onlara koyduğunuz veriler kadar iyidir.

SLAC Ulusal Hızlandırıcı Laboratuvarı’ndaki araştırmacılar, karbondioksitin yakıtlara dönüştürülmesinde önemli bir ilk adım olan deneysel bir karbon monoksit üreten katalizörü test etmek için ülke çapında dört laboratuvarı bir araya getirerek, bilimsel araştırmalar için yapay zeka modelleri oluştururken yüksek oranda tekrarlanabilir deneysel veriler üretmenin önemini gösterdi. Sonuçları yayınladılar Doğa Katalizi.

Santa Barbara’daki Kaliforniya Üniversitesi’nde doktora sonrası araştırmacı ve çalışmanın ilk yazarı olan Selin Bac, “Bulgularımız, bir makine öğrenimi modeline hangi bilgileri beslediğimiz ve deneysel verilerin tutarlılığının sonuçların güvenilirliğini nasıl etkileyebileceği konusunda dikkatli olmamız gerektiğini hatırlatıyor” dedi.

Yapay zeka ile katalizör gelişimini hızlandırma

İyi bir yapay zeka modeliyle araştırmacılar sıcaklık, reaksiyon süresi ve katalizör formülasyonu gibi koşulları girebilir, ardından simülasyonu çalıştırabilir ve katalizörün ne kadar iyi performans gösterdiğine dair bir tahmin görebilir. Daha sonra tahminleri birkaç iyi tasarlanmış deneyle doğrulayabilirler ve sonuçta katalizör keşfini ve küresel ölçekte uygulanmasını hızlandırabilirler.

Bu tür modeller, zaman ve paradan tasarruf etmenin yanı sıra laboratuvarda ulaşılması zor olan koşulları da keşfedebilir. Laboratuvar kataliz çalışmalarının çoğu yalnızca kısa zaman dilimlerine (günler) bakabilir, ancak yabancı maddelerin birikmesi ve yüksek sıcaklıklara tekrar tekrar maruz kalma nedeniyle katalizörün devre dışı bırakılması zamanla (aylardan yıllara) meydana gelir.

Yapay zeka modellerinin eğitim için büyük miktarlarda yüksek kaliteli verilere ihtiyacı vardır. Verileri oluşturmak için dört laboratuvar, daha önce üzerinde anlaşılan protokolleri ve aynı rodyum bazlı katalizörü kullanarak tekrarlanabilirliği değerlendirmek için birden fazla laboratuvarın aynı testleri yürüttüğü bir dizi dönüşümlü deney gerçekleştirdi.

Round-robin deneylerinden elde edilen verilerin karesinin alınması

Araştırmacıları şaşırtacak şekilde, bağımsız çalışan dört laboratuvardan aynı sonuçları elde etmek beklenenden daha zor oldu. Sonuçlarını paylaşmak için bir araya geldiklerinde bir sorunla karşılaştıklarını anladılar.

Dört araştırma ekibinin her biri, üretilen istenmeyen bir yan ürün olan karbon monoksit ve metan miktarlarında farklılık gösteren sonuçlar üretti. Bilgisayar, farklı sonuçlar içeren dört veri kümesinden öğrenemez.

Araştırmanın kıdemli yazarı SLAC çalışanı bilim adamı Adam Hoffman, “Bu biraz aydınlatıcı oldu” dedi. “Bu deneyim, gerçek dünya verilerini makine öğrenimi modellerine dahil etmenin pratik zorluklarına ışık tutuyor.”

Ekipler titizlikle yöntemlerini değerlendirdi. Titiz testler sonucunda bir avuç uyumsuzluk kaynağı buldular; değişkenliğe en büyük katkıda bulunanlardan biri karışımın ne kadar sert çalkalandığına veya karıştırıldığına bağlıydı.

SLAC’a ek olarak Pensilvanya Devlet Üniversitesi, Stanford Üniversitesi ve Kaliforniya Üniversitesi, Santa Barbara’daki grupları da içeren dört laboratuvarda daha fazla standardizasyon yapılmasıyla sonuçlar daha tutarlı görünmeye başladı. Ekip, reaktör tasarımının, çalışma protokollerinin ve deney koşullarının tutarlılığının arttırılması da dahil olmak üzere deneysel tekrarlanabilirliği güçlendirmek için çeşitli önerilerin ana hatlarını çizdi.

Hoffman, çalışmanın, yapay zeka modelleri tasarlayan deneycilere ve veri bilimcilerine, laboratuvarlar arasında deneysel tasarımdaki küçük değişikliklerin nasıl tekrarlanabilirlik sorunlarına yol açabileceğini ve yapay zeka modelleri için uzun vadeli tahminleri etkileyebileceğini düşünmelerine yardımcı olacağını umduğunu söyledi.

Hoffman, “Bu çalışmayı, makine öğrenimi modellerine dahil edilecek deneylerin tasarlanması hakkında nasıl düşünülmesi gerektiği konusunda topluluğa bir rehber olarak görüyoruz” dedi.