Jillian Buriak och hennes team ägnade år åt att utveckla kostnadseffektiva plastsolceller som kan skrivas ut som tidningar. Sedan chattade hon med kemiforskaren Arthur Mar, och på bara några veckor gjorde hans maskininlärningsteam det möjligt för hennes grupp att öka effektiviteten hos dessa solceller med 30 procent.

"Det var ett stort väckarklocka för oss, " sa Buriak. "Alla typer av vetenskapliga upptäckter börjar ske snabbare än de brukade göra."

Maskininlärning påskyndar upptäckter inom otaliga forskningsområden, och Mar och hans team är bland University of Albertas många pionjärer på området.

De är inte "terminatorer"

Popkulturen erbjuder många idéer om vad "maskininlärning" betyder, men för Mar är det bara en uppsättning verktyg.

"Vår typ av maskininlärning är inte terminatorer, " sa han med ett skratt.

Maskininlärning sorterar och kategoriserar komplexa datauppsättningar för att få fram användbar information.

Mar förklarar:"Om du behövde hjälp med att få en tung låda från översta hyllan i en butik, du kan analysera människorna omkring dig för att se vem som skulle hjälpa. Du kan rikta in dig på personer som bär butiksuniformen, och sedan kan du rangordna dem baserat på ett relevant attribut som höjd. Maskininlärning kommer att göra liknande klustring och rankning, men kan hantera mycket mer information än någon av oss skulle kunna bearbeta. Det kan också identifiera mer relevanta attribut – det kan berätta att en anställds längd är mindre viktig än deras tillgång till en stege, och rangordnas därefter."

För Buriaks solceller, maskinen fick år av experimentella labbdata och programmerades för att leta efter olika designvariabler som kan påverka effektiviteten hos en organisk solcell.

"Med den traditionella metoden att ändra en variabel i taget, vi skulle ha behövt tusentals experiment för att screena alla dessa möjliga kombinationer, ", sa Buriak. "Algorithmen för maskininlärning hjälpte oss att förstå vilka variabler som var viktigast, och bara 16 experiment senare, vi var på väg att systematiskt öka effektiviteten hos solceller på ett dramatiskt accelererat sätt."

Du behöver bara en bärbar dator

Ingenjörsprofessorerna Arvind Rajendran, Vinay Prasad och Zukui Li leder ett team som använder maskininlärning för att optimera processer för att fånga upp CO2 innan det kan släppas ut från kraftverk.

"Vår kolavskiljningsprocess kan ha 9, 000 olika konfigurationer per material som används, ", sa Prasad. "Vi måste veta vilken potentiell adsorbent som är mest effektiv i vilken konfiguration."

Maskininlärning gör det möjligt för teamet att snabbt eliminera tusentals möjliga konfigurationer som aldrig skulle kunna uppfylla det amerikanska energidepartementets krav på kolavskiljningsteknik för att ta bort 95 procent av CO2 från utsläppen.

"En individuell modellering av var och en av dessa konfigurationer skulle kräva enorm datorkraft under månader, " Prasad påpekade. "Med maskininlärning och en begränsad mängd träningsdata från detaljerade simuleringar, vi behöver bara en bärbar dator och några timmar."

Fördelarna med maskininlärning har uppmärksammats av experter inom många discipliner. I Augusti, Mars grupp samarbetade med Prasads team för att erbjuda forskare knutna till U of A:s forskningsinitiativ Future Energy Systems två gör-det-själv maskininlärningsworkshops. Båda var slutsålda innan de annonserades, med deltagare inklusive fysiker, mikrobiologer, ekonomer, och även administratörer. Fler workshops övervägs nu och Prasad erbjuder en speciell forskarutbildning i ämnet.

"Vi har använt dessa tekniker för att analysera allt från övervakning av oljesandsavfallsdammar till kvaliteten på spannmål som kommer att göra populärt öl, " sa han. "Om du har data, maskininlärning är ett verktyg som kan hjälpa dig att fokusera dina ansträngningar."

Ersätter inte människor

Ur Buriaks perspektiv, framväxten av maskininlärning är en nödvändig omvälvning för forskning inom många områden, och hennes team drar full nytta.

"Med hjälp av dessa tekniker, vi håller på att utveckla några riktigt nya solenergisystem, " sa hon. "Vi är på väg att dela med oss ​​av dessa teknologier inom en snar framtid."

Hon tilldelar inga datum till den närmaste tiden, men upptäckterna kommer säkert att ske tidigare än om hennes team hade hållit fast vid traditionella metoder.

Till Mar, det är poängen.

"Vi sparar tid och pengar genom att minska antalet experiment som behövs för att komma till en upptäckt, " sa han. "Vi ersätter inte de människor som gör experimenten ännu."