Los investigadores están desarrollando herramientas de Machine Learning para ayudarles a acelerar el desarrollo tecnológico.

No les interesa la forma tradicional, incremental y costosa de realizar experimentos, recopilar datos y aplicar esas respuestas a los diseños tecnológicos. Quieren comenzar con la respuesta, en este caso mejores células solares, y utilizar Machine Learning para escanear datos existentes, aprender patrones, hacer predicciones y ayudarles a alcanzar rápidamente su objetivo de diseño.

"¿Puedo eludir la necesidad de una costosa recopilación de datos utilizando el conocimiento que ya se posee en este campo?", se preguntó Baskar Ganapathysubramanian de la Universidad Estatal de Iowa, profesor en Ingeniería y líder de un nuevo esfuerzo para desarrollar Machine Learning para diseño tecnológico.

Los investigadores creen que la respuesta es sí.

Una reciente donación de hasta $2 millones durante dos años de la Agencia de Proyectos de Investigación Avanzada del Departamento de Energía de los EE. UU. (ARPA-E) respaldará su exploración de esa idea. El proyecto liderado por el estado de Iowa es uno de los 23 respaldados por hasta $ 15 millones del programa "DIFERENCIADO" de la agencia de investigación dedicado a acelerar la búsqueda de innovaciones energéticas.

Además de Ganapathysubramanian, el equipo de investigación incluye a Adarsh ​​Krishnamurthy, Soumik Sarkar, ambos profesores asistente de ingeniería mecánica del estado de Iowa, Chinmay Hegde, anteriormente del estado de Iowa, ahora profesora asistente en la Escuela de Ingeniería Tandon de la Universidad de Nueva York, Zhenan Bao, presidente de ingeniería química y profesor en la Universidad de Stanford en California, Ross Larsen, científico senior en el Laboratorio Nacional de Energía Renovable (NREL) en Colorado, y Bryon Larson, investigador en NREL.

Ganapathysubramanian dijo que el objetivo inmediato del proyecto es desarrollar una teoría de Machine Learning y herramientas de software que permitan la identificación rápida de estructuras orgánicas de película delgada que mejoren el rendimiento de las células solares y que sean fáciles de fabricar. El objetivo más amplio es demostrar que Machine Learning puede ayudar a diseñar rápidamente todo tipo de tecnologías.
 
"Estamos viendo una forma no tradicional de hacer Machine Learning: estamos haciendo ciencia con Machine Learning", dijo Sarkar, quien estudia Machine Learning e Inteligencia Artificial. “Machine Learning se ha utilizado para hacer tu próxima recomendación de Netflix. El nuevo objetivo es tratar de ver si Machine Learning puede ayudar a los ingenieros o científicos a mejorar la ingeniería o la ciencia".

En este caso, la idea básica es utilizar Machine Learning para ayudar a los investigadores a invertir y acelerar el proceso de diseño, dijo Ganapathysubramanian.

Digamos que quiere diseñar coches que recorran 60 millas por galón de gasolina. Dijo que en lugar del lento y costoso proceso de probar y probar un cambio a la vez: mejor aerodinámica aquí, materiales más livianos allí, nueva tecnología de motor debajo del capó, el nuevo proceso usaría Machine Learning para analizar datos existentes y nuevos modelos por ordenador para identificar un diseño inicial capaz de alcanzar 60 millas por galón.
 
Krishnamurthy, del estado de Iowa, que estudia diseño asistido por ordenador y modelado 3D, ha dicho que ha trabajado con Sarkar en proyectos similares que han utilizado Machine Learning para mejorar la fabricación. Específicamente, analizaron cómo Machine Learning puede generalizar las reglas de diseño para fabricación e identificar características difíciles de fabricar en una pieza compleja. Esto ha acelerado el proceso de diseño y ayudó a identificar los cuellos de botella de fabricación en la etapa de diseño.

Una vez que la nueva herramienta de Machine Learning del equipo de investigación haya creado diseños para mejores células solares, el grupo de investigación de Bao en Stanford probará la capacidad de fabricación y el rendimiento del dispositivo. Larsen y Larson en NREL proporcionarán datos sobre las propiedades de los materiales y también evaluarán el rendimiento de los materiales.

Si bien las mejores células solares son ciertamente algo bueno, Ganapathysubramanian dijo que no es lo mejor que podría venir de este proyecto.

"Los resultados más importantes serán la teoría y las herramientas de software que nos permitirán diseñar nuevas tecnologías de manera rápida y ágil", dijo. "Ese es el resultado clave que ARPA-E espera".