For snart 200 år siden gjorde en fysiker sitt livs funn. Thomas J. Seebeck så at varme kan skape elektrisk spenning i materialer.
Siden har mange lett etter stoffer som gjør det praktisk mulig å bruke oppdagelsen hans til el-produksjon. Det vil si: få materialer til å produsere strøm direkte fra uutnyttet varme i alt fra skipsmotorer til kraftverk og fabrikker. På fagspråket kalles dette termoelektrisitet.
Også vi i SINTEF jakter på slike stoff: billige kjemiske forbindelser til produksjon av elektrisitet fra varme. Nå sitter vi med resultater som tyder på at maskinlæring – en form for kunstig intelligens – kan forenkle jakten.
Les også: Maskinlæring mot vindmøllemotstand
«Sky» av elektroner utvider seg
Tenk deg at en stav varmes opp i den ene enden. Seebecks funn skyldes at «skyen» av elektroner –ladde partikler som svever rundt atomkjernene – utvider seg, og får mindre tetthet i den varme delen enn i den kalde. Dermed har en elektrisk spenning oppstått mellom varm og kald ende.
Første vilkår for effektiv strømproduksjon er at spenningen er høy. Men flere forutsetninger m�� innfris.
Materialet bør ikke lede varme for godt, da utlignes temperaturforskjellen før den kan utnyttes. Også om stoffet er en dårlig strømleder, blir det lite el-produksjon.
Mange lovende materialer er dessuten ubrukelige til termoelektriske formål, eksempelvis fordi de ikke tåler oppvarming.
Les også: Vil gjøre kunstig intelligens forståelig for folk
Jakt på billige og ufarlige materialer
Effektive materialer på området finnes, men er dyre og giftige. I Sintef er vi ute etter noe billig og ufarlig.
Derfor har vi begrenset jakten til silisider – forbindelser basert på silisium, et av de vanligste stoffene i jordskorpen.
Letingen finansieres av Forskningsrådet og gjøres sammen med Elkem, som er storprodusent av silisium og silisider.
Les også: Kunstig intelligens kan bli norsk vekstmotor
En drøm om å se inn i «mørket»
Til nå har vi lett ved å regne oss frem til stoffers termoelektriske «atferd» ut fra fysikkens lover. Dels ut fra viten om stoffenes kjemiske sammensetning. Dels ved at vi vet hvordan vi kan lage nyttig uorden i atomenes velordnede stabler, eksempelvis ved å tilsette fremmedatomer eller lage stablefeil.
Slikt «rot» kalles defekter i strukturen.
Vi har regnet på noen hundre stoff og funnet lovende kandidater. Men fortsatt finnes mange tusen kjente og mulige silisider som det er vanskelig å regne på – og dyrt. Mange regnetimer trengs! Vi vet hvordan hvert av disse stoffene er bygd opp, men lite om egenskapene.
Dette ga oss en drøm.
Les også: Veien til digital verdiskaping
Skjulte sammenhenger
Hva om vi klarte å avdekke skjulte sammenhenger mellom kjemi/struktur og termoelektriske egenskaper for materialene vi har regnet på? Da kunne vi enkelt finne den termoelektriske vinneren i det store «mørket» der brorparten av de aktuelle stoffene fortsatt er.
For mennesket er innsirkling av slike sammenhenger tidkrevende.
Derfor bruker vi maskinlæring: algoritmer (beskrivelser av regneoppgaver) som lærer en datamaskin å gjenkjenne mønstre og deretter å generalisere – finne løsninger på problem den ennå ikke har sett eksempler på.
Les også: Stille helserevolusjon i gang
Likheter med fotballspilleres hverdag
Maskinlæring er litt som når fotballspillere trener på å treffe i krysset fra straffemerket. Fysikken som avgjør ballbanen, slipper de å tenke på. Men hjernen deres gjenkjenner mønstre. Som sammenhengen mellom fotvinkel pluss tilført kraft og hvor ballen havner.
På liknende vis lot vi algoritmen vår studere sammenhenger mellom kjemi/struktur og termoelektriske egenskaper for noen av stoffene vi har regnet på. Så lot vi den prøve å forutsi «atferden» til resten av de stoffene som regnestykkene våre har omhandlet.
Som vinner utpekte algoritmen lynraskt det stoffet som også kom best ut av beregningene. Et lovende resultat.
Les også: Ser norsk arbeidsliv i kortene med statistikk og maskinlæring
Dramatisk reduksjon av tidsforbruk
Riktignok ble det noen «treff i vinkelen» der beregningene sa «bom» – og vice versa. Dette kan skyldes at datagrunnlaget ennå er lite.
Data om kun to prosent av utvalget ble brukt til å forutsi egenskapene til de resterende 98 prosentene. Vi skaffer nå mer data. I tillegg kan algoritmen gjøres bedre i stand til å takle liten datatilgang.
Maskinlæring har redusert tidsforbruket dramatisk ved leting etter andre nye materialer. Får algoritmen vår «mer trening utenfor 16-meteren» pluss flere data om hva som påvirker «ballbanen», kan den gi viktig hjelp i jakten på rimelige, strømproduserende materialer.
Artikkelen sto første gang i Dagens Næringsliv fredag 28. desember 2018 og gjengis her med DNs tillatelse.
