我如何为我自己还不知道的事情准备呢?来自柏林弗里茨哈伯研究所和慕尼黑工业大学的科学家们已经在机器学习的背景下解决了这个几乎是哲学问题的问题。学习只不过是利用以前的经验。为了应付新情况，我们需要以前处理过大致类似的情况。在机器学习中，这相应地意味着一个学习算法需要接触大致相似的数据。但是，如果存在几乎无限的可能性，以至于根本不可能生成涵盖所有情况的数据，我们能做什么呢?
当处理无穷多个可能的候选分子时，这个问题经常出现。有机半导体使便携式太阳能电池或可滚动显示器等重要的未来技术成为可能。为了实现这类应用，需要发现改进的有机分子——它们构成了这些材料。这种性质的任务越来越多地使用机器学习的方法，同时用计算机模拟或实验的数据进行训练。然而，潜在的有机小分子的数量估计在10个左右33。如此多的可能性使得几乎不可能产生足够的数据来反映如此巨大的物质多样性。此外，其中许多分子甚至不适用于有机半导体。一个基本上是在大海捞针。
他们的研究成果最近发表在 自然通讯弗里茨-哈伯研究所理论系主任卡斯滕·罗伊特教授的团队利用所谓的主动学习来解决这个问题。机器学习算法不是从现有的数据中学习，而是反复地决定关于问题需要学习哪些数据。科学家们首先对一些更小的分子进行了模拟，并获得了与分子电导率相关的数据——这是在研究可能的太阳能电池材料时对它们有用性的一种衡量。基于这些数据，该算法决定是对这些分子进行微小的修改就能产生有用的性质，还是因为缺乏类似数据而不确定。
在这两种情况下，它都会自动请求新的模拟，通过新生成的数据改进自己，考虑新分子，并继续重复这个过程。在他们的工作中，科学家们展示了如何通过这种方式有效地识别新的和有希望的分子，而算法继续探索广阔的分子空间，即使是现在，在这个时刻。每周都有新的分子被提出，这些分子可能会带来下一代太阳能电池，而且算法也越来越好。
