Forschung Maschinelles Lernen hilft bei der Suche nach organischen Halbleitern

Redakteur: Hendrik Härter

Forscher wollen mithilfe des maschinellen Lernens geeignete molekulare Materialien für organische Halbleiter suchen. Aufgrund der endlosen Vielfalt möglicher Materialien soll der Algorithmus selbst entscheiden, welche Daten notwendig sind.

Firmen zum Thema

Mit Methoden des maschinellen Lernens wollen Forscher neue organische Halbleiter aufspüren.
Mit Methoden des maschinellen Lernens wollen Forscher neue organische Halbleiter aufspüren.
(Bild: gemeinfrei / Pixabay )

Ein Forschungsteam der TU München und des Berliner Fritz-Haber-Institutes nutzt auf der Suche nach geeigneten molekularen Materialien für neue organische Halbleiter die Methoden des maschinellen Lernens. Die organischen Halbleiter sind die Grundlage für organische Feldeffekt-Transistoren (OFETs), Licht emittierende Dioden (OLED) und organische Solarzellen (OPVs). Dabei soll die Maschine selbst bestimmen, welche Daten sie benötigt.

Kommt der Ansatz des maschinellen Lernens zum Einsatz, müssen dem Lernalgorithmus entsprechend viele Daten zur Verfügung stehen. Was aber, wenn es so unendlich viele Möglichkeiten gibt, dass es schlicht unmöglich ist, für alles ähnliche Daten zu generieren? Genau dieses Problem ergibt sich sehr oft bei der schier endlosen Vielzahl möglicher Moleküle.

Gerechnete oder gemessene Daten

Organische Halbleiter bilden die Grundlage für so zukunftsträchtige Anwendungen wie tragbare Solarzellen oder zusammenrollbare Bildschirme. Hierfür müssen noch bessere organische Moleküle gefunden werden, aus denen sich diese Materialien zusammensetzen. Für solche Suchaufgaben werden zunehmend Verfahren des maschinellen Lernens eingesetzt, die entweder mit gerechneten oder gemessenen Daten trainiert werden.

Allerdings wird die Anzahl grundsätzlich möglicher organischer Moleküle auf ungefähr 1.033 geschätzt – eine so große Zahl, dass es unmöglich wäre, einfach so Daten zu erzeugen, die diese riesige Vielfalt halbwegs abdecken. Zumal die allermeisten Möglichkeiten komplett unbrauchbar für organische Halbleiter sind und es sprichwörtlich gilt, die Nadel im Heuhaufen zu finden.

Ein aktiver Lernalgorithmus entscheidet selbst

Aktiv selbst lernend bewegt sich der Algorithmus immer weiter durch die unendlichen Weiten des molekularen Raums und schlägt immer wieder neue Moleküle vor, die die Basis für die nächste Generation von Solarzellen sein könnten.
Aktiv selbst lernend bewegt sich der Algorithmus immer weiter durch die unendlichen Weiten des molekularen Raums und schlägt immer wieder neue Moleküle vor, die die Basis für die nächste Generation von Solarzellen sein könnten.
(Bild: Christian Kunkel / TUM)

Das Team um Prof. Karsten Reuter, Direktor der Abteilung Theorie am Fritz-Haber-Institut und Dr. Harald Oberhofer, Heisenberg-Stipendiat am Lehrstuhl für Theoretische Chemie der TU München, geht dieses Problem mit sogenanntem aktiven Lernen an. Anstatt mit vorhandenen Daten zu lernen, bestimmt dieser Lernalgorithmus sukzessive selbst, welche Daten er braucht. Vorab berechnen die Wissenschaftler mit aufwändigen Computersimulationen für eine Anzahl kleinerer Moleküle elektrische Leitfähigkeitsdaten, die eine Eignung in organischen Halbleitern und Solarzellen andeuten.

Basierend auf diesen Daten prüft der Algorithmus, ob kleinere Modifikationen der Moleküle entweder zu sehr guten Eigenschaften führen oder ob er sich unsicher über diese Eigenschaften ist, weil ihm ähnliche Daten fehlen. In beiden Fällen fordert er automatisch neue Simulationen an, verbessert sich anhand der so generierten Daten, überlegt sich neue Moleküle – und so geht dies kontinuierlich weiter.

In ihrer Arbeit zeigen die Wissenschaftler, dass dieser Ansatz deutlich effizienter ist als alternative Suchalgorithmen und auf diese Weise neue vielversprechende Moleküle gefunden werden, während sich der Algorithmus immer weiter durch die Weiten des molekularen Raums bewegt. Jede Woche schlägt er neue Moleküle vor, die die nächste Generation von Solarzellen einläuten könnten, und er wird immer besser.

(ID:47372035)