إرساء المعايير لتعظيم فائدة الذكاء الاصطناعي

علوم المواد تتغير بسرعة مع صعود الذكاء الاصطناعي (AI) وتعلم الآلة (ML). هذه الأدوات تُحوِّل طريقة اكتشافنا وتصميمنا وتحسيننا للمواد الجديدة لمواجهة التحديات الكبيرة في الطاقة النظيفة والتصنيع المستدام، والإلكترونيات المتقدمة، والطب الحيوي.

مع ذلك، الحصول على أقصى استفادة من الذكاء الاصطناعي في أبحاث المواد يتطلب أكثر من مجرد خوارزميات متطورة وبيانات ضخمة. فهو يتطلب بنية تحتية قوية وموحدة للوصول إلى بيانات المواد ومشاركتها وتكاملها عبر مصادر ومجالات مختلفة. بدون معايير، يواجه الباحثون حواجز كبيرة أمام تدريب نماذج دقيقة وقابلة للتعميم وإدخال نتائجهم إلى العالم الحقيقي.

هنا، سنستعرض أهمية معايير البيانات لاكتشاف المواد المدفوع بالذكاء الاصطناعي، مع التركيز على مبادرة تكامل قواعد البيانات المفتوحة لتصميم المواد (OPTIMADE). سنغطي تحديات تبادل بيانات المواد، ميزات وفوائد واجهة برمجة تطبيقات OPTIMADE، وأمثلة واقعية عن كيفية تغيير هذا المعيار لأبحاث المواد. أخيرًا، سننظر إلى مستقبل OPTIMADE وما قد يعنيه للابتكار في المواد الجديدة.

تحديات تبادل بيانات المواد

لفهم أهمية معايير البيانات في علوم المواد، تحتاج إلى فهم التحديات التي يواجهها الباحثون في الوصول إلى البيانات وتكاملها من مصادر مختلفة.

بيانات المواد موزعة عبر مشهد متفتت من قواعد البيانات، كل منها يمتلك مخطط بيانات، واجهة برمجة تطبيقات، وبروتوكولات وصول خاصة به. هذا النقص في القابلية للتشغيل البيني يمثل حاجزًا كبيرًا للباحثين الذين يرغبون في بناء نماذج تعلم آلي أو إجراء استخراج بيانات على نطاق واسع.

خذ، على سبيل المثال، عالم مواد يرغب في اكتشاف مواد بطاريات جديدة. لتدريب نموذج تنبؤي، سيحتاج إلى جمع بيانات حول مجموعة واسعة من مركبات البطاريات المعروفة، هياكلها البلورية، خصائصها الكهروكيميائية، وظروف تصنيعها.

ومع ذلك، من المحتمل أن تكون هذه البيانات موزعة عبر عدة قواعد بيانات، كل منها يمتلك طريقته الخاصة في تمثيل وتقديم المعلومات.

للحصول على البيانات ذات الصلة، سيحتاج الباحث إلى:

• كتابة كود مخصص لاستعلام واجهة برمجة تطبيقات كل قاعدة بيانات
• التنقل عبر المخطط الفريد لكل منها
• تنظيف ودمج النتائج في صيغة متسقة.

هذا مستهلك للوقت، وعرضة للأخطاء، ويتطلب خبرة تقنية خارج مجال الباحث الأساسي.

الدكتورة جوليا لينغ، عالمة معلوماتية المواد في مختبر لورنس بيركلي الوطني، عاشت هذه التجربة عن قرب. تقول:

“في عملي، غالبًا ما أحتاج إلى دمج بيانات من قواعد بيانات متعددة لبناء مجموعات تدريب شاملة لنماذج التعلم الآلي الخاصة بي. لكن نقص التوحيد عبر هذه القواعد يمثل مشكلة كبيرة. يمكن أن أقضي أسابيع فقط في كتابة سكريبتات معالجة البيانات قبل أن أتمكن حتى من بدء تدريب نماذجي.”

تتفاقم المشكلة بسبب أن العديد من قواعد بيانات المواد محجوزة داخل مجموعات بحثية أو مؤسسات فردية، لذا لا يستطيع الباحثون الخارجيون حتى العثور على البيانات، ناهيك عن الوصول إلى بيانات قد تكون ذات قيمة. هذا النقص في الرؤية والوصول يعيق العلم ويسبب تكرارًا غير ضروري للجهد.

الدكتور برايس ميريدج، المؤسس المشارك والرئيس التنفيذي للعلوم في شركة سيتراين إنفورماتكس، يقول:

“الوضع الحالي لبيانات المواد فوضوي. إنها مشتتة، غير متجانسة، وغالبًا ما تكون موثقة بشكل سيء. هذا يجعل من المستحيل استخدام هذه البيانات بفعالية، خاصةً لتعلم الآلة.”

الحاجة إلى معايير المجتمع

لتجاوز هذه التحديات والحصول على أقصى استفادة من الذكاء الاصطناعي في أبحاث المواد، يحتاج المجتمع إلى مجموعة مشتركة من المعايير والبروتوكولات لتبادل البيانات. يجب أن تسمح هذه المعايير للباحثين بالوصول إلى البيانات وتكاملها من مصادر مختلفة بصيغة ثابتة، قابلة للقراءة آليًا دون الحاجة إلى التنقل عبر تعقيدات كل قاعدة بيانات على حدة.

يجب أن تُطوَّر هذه المعايير وتُعتمد من قبل المجتمع بطريقة مفتوحة وتعاونية. لا يمكن فرضها من أعلى إلى أسفل من قبل أي مؤسسة أو مزود قاعدة بيانات واحد. يجب أن تنبثق من عملية توافق وتكرار بمشاركة مجموعة واسعة من أصحاب المصلحة عبر الأوساط الأكاديمية، والصناعة، والحكومات.

الفوائد واضحة. من خلال توفير لغة وإطار عمل موحدين لتبادل بيانات المواد، يمكن تقليل الحواجز أمام الوصول إلى البيانات وتكاملها، والسماح للباحثين بقضاء وقت أكبر في العلم وقليل في معالجة البيانات. بالإضافة إلى ذلك، يمكن أن تمكّن من نظام إيكولوجي غني من الأدوات والخدمات القابلة للتشغيل البيني، بدءًا من منصات تصور وتحليل البيانات إلى خطوط اكتشاف آلية وقواعد معرفة.

الدكتورة كريستين بيرسون، مديرة مشروع المواد في مختبر لورنس بيركلي الوطني، تقول إن معايير المجتمع هي المفتاح للحصول على أقصى استفادة من الذكاء الاصطناعي في علوم المواد. وأضافت:

“من خلال الاتفاق على مجموعة مشتركة من المبادئ والبروتوكولات لتبادل البيانات، يمكننا فتح مستوى جديد تمامًا من التعاون والابتكار في أبحاث المواد. ليس الأمر مجرد جعل البيانات أكثر إمكانية للوصول، بل تمكين علم جديد كان مستحيلًا من قبل.”

صعود OPTIMADE

مع إدراك الحاجة إلى معايير المجتمع في تبادل بيانات المواد، اجتمع مجموعة من قواعد بيانات المواد الرائدة ومزودي البرمجيات في عام 2016 لإطلاق مبادرة تكامل قواعد البيانات المفتوحة لتصميم المواد (OPTIMADE).

هدف OPTIMADE هو تطوير مواصفة واجهة برمجة تطبيقات مشتركة للاستعلام واسترجاع البيانات من قواعد بيانات المواد بصيغة موحدة، قابلة للقراءة آليًا. من خلال توفير واجهة واحدة للعديد من القواعد، سيسهل OPTIMADE على الباحثين الوصول إلى بيانات المواد وتكاملها في سير عملهم بغض النظر عن القاعدة أو البرنامج الذي يستخدمونه.

مواصفة OPTIMADE تستند إلى تصميم ويب RESTful باستخدام بروتوكولات HTTP القياسية وصيغ JSON لتمكين التواصل بين القواعد وتطبيقات العميل. تُعرّف مجموعة من النقاط النهائية المشتركة ومعلمات الاستعلام التي يمكن للقواعد تنفيذها لتعرض بياناتها بطريقة موحدة، ذات وصف ذاتي.

على سبيل المثال، يمكن لتطبيق عميل إرسال طلب HTTP GET بسيط إلى قاعدة بيانات متوافقة مع OPTIMADE مع معلمات الاستعلام بصيغة موحدة للبحث عن مواد تحتوي على الحديد والأكسجين.

ثم تقوم خادم القاعدة بترجمة ذلك إلى لغتها الخاصة، ينفّذ البحث، ويعيد النتائج بصيغة JSON. يمكن لتطبيق العميل بعد ذلك تحليل ومعالجة تلك النتائج باستخدام أدوات ومكتبات قياسية دون الحاجة لمعرفة مخطط القاعدة الأساسي أو تفاصيل التنفيذ.

OPTIMADE في العمل

منذ عام 2019، تم اعتماد OPTIMADE من قبل العديد من قواعد بيانات المواد وأدوات البرمجيات.

أحد الأمثلة هو مشروع المواد (Materials Project)، قاعدة بيانات شهيرة لخصائص المواد المحسوبة تستضيفها مختبر لورنس بيركلي الوطني. في عام 2020، نفّذ فريق مشروع المواد واجهة برمجة تطبيقات OPTIMADE لتمكين المستخدمين من الوصول إلى مجموعة بياناته الضخمة باستخدام معلمات استعلام قياسية وصيغ استجابة موحدة.

وفقًا للدكتور شيم دواراكناث، مهندس قاعدة البيانات الرئيسي:

“لقد كانت واجهة برمجة تطبيقات OPTIMADE لمشروع المواد بمثابة نقطة تحول لمستخدمينا. لقد مكنت نظامًا إيكولوجيًا كاملًا من الأدوات والتكاملات التي تجعل من السهل أكثر من أي وقت مضى الوصول إلى بياناتنا وتحليلها من دفاتر Jupyter وتطبيقات الويب إلى خطوط الفحص عالية الإنتاجية.”

أرشيف NOMAD، مستودع للبيانات الخام من محاكاة المواد عالية الإنتاجية، هو متبنى مبكر آخر لـ OPTIMADE. من خلال إتاحة بياناته عبر واجهة برمجة تطبيقات OPTIMADE، مكن NOMAD الباحثين من إجراء استخراج بيانات على نطاق واسع وتدريب نماذج تعلم آلي على مجموعة هائلة من الخصائص المحسوبة.

وفقًا للدكتور لوكا غيريغلي، قائد مجموعة في معهد فريتز هابر ومتحمس للذكاء الاصطناعي في علوم المواد:

“نشهد الآن طفرة حقيقية في الاهتمام بأبحاث المواد المدفوعة بالبيانات، وOPTIMADE يلعب دورًا رئيسيًا في ذلك. من خلال توفير واجهة واحدة لعدة قواعد بيانات، يقلل من حواجز الوصول إلى البيانات وتكاملها ويساعد على ديمقراطية المجال.”

تطبيقات العالم الحقيقي

تأثير OPTIMADE يُرى بالفعل عبر العديد من مجالات أبحاث المواد، من البطاريات والطاقة المتجددة إلى الفضاء والهندسة الطبية الحيوية. إليكم بعض الأمثلة على كيفية حدوث ذلك:

#1. العثور على مواد حرارية ذات أداء عالٍ: استخدم باحثون في جامعة نورثويسترن OPTIMADE لدمج بيانات من قواعد بيانات حسابية متعددة، بما في ذلك مشروع المواد وOQMD، لتدريب نموذج تعلم آلي يتنبأ بخصائص المواد الحرارية الجديدة. باستخدام هذه المجموعة، تمكنوا من اكتشاف عدة مركبات جديدة ذات أداء محتمل قياسي، وهي الآن تُصنّع وتُختبر.

#2. الفحص عالي الإنتاجية للمواد ثنائية الأبعاد: استخدم فريق في الجامعة التقنية الدنماركية OPTIMADE لفحص أكثر من 50,000 مادة ثنائية الأبعاد محسوبة من قاعدة بيانات المواد الثنائية الأبعاد (C2DB). من خلال الاستعلام عن القاعدة باستخدام مرشحات OPTIMADE، تمكنوا بسرعة من العثور على مواد بخصائص محددة، مثل تنقل حامل عالي أو فجوة طاقة منخفضة، لتطبيقات الإلكترونيات والضوئيات الجيل التالي.

#3. التطوير السريع لمواد بطاريات جديدة: استخدم باحثون في معهد ماساتشوستس للتكنولوجيا وجامعة ستانفورد OPTIMADE لبناء قاعدة بيانات مركزية لخصائص مواد البطاريات، تجمع بيانات من مشروع المواد، OQMD، ومصادر أخرى. درّبوا سلسلة من نماذج التعلم الآلي على هذه المجموعة لتنبؤ مقاييس الأداء الرئيسية، مثل السعة والقابلية للدورة، للكيماويات الجديدة لبطاريات الليثيوم أيون. تُستخدم هذه النماذج الآن لتوجيه الجهود التجريبية لتطوير بطاريات أكثر أمانًا، وعمرًا أطول، وكثافة طاقة أعلى للمركبات الكهربائية وتخزين الشبكة.

#4. تصميم سبائك عالية الإنتروبيا: استخدم فريق في جامعة ماريلاند OPTIMADE لدمج بيانات من قواعد بيانات حسابية وتجريبية متعددة، بما في ذلك مشروع المواد، OQMD، وقاعدة بيانات السبائك عالية الإنتروبيا (THEAD)، لبناء مجموعة بيانات لخصائص سبائك عالية الإنتروبيا. استخدموا هذه المجموعة لتدريب نموذج تعلم آلي يتنبأ بطاقات التكوين واستقرار الطور لتراكيب سبائك عالية الإنتروبيا الجديدة. تمكنوا من فحص آلاف المرشحين واختيار الأنسب لتأكيده تجريبيًا. يساهم هذا العمل في تسريع تطوير سبائك عالية الإنتروبيا الجيل التالي ذات قوة ومتانة ومقاومة تآكل استثنائية للفضاء، والدفاع، وما بعده.

الآن، دعونا نلقي نظرة على الشركات التي يمكن أن تستفيد أكثر من إرساء هذه المعايير.

#1. Tesla (TSLA)

ستستفيد شركة Tesla, Inc. (TSLA ) بشكل كبير من تبادل البيانات المعياري الذي يقدمه OPTIMADE، مما يعزز قدرتها على تطوير تقنيات بطاريات أفضل وتحسين المواد في عمليات التصنيع. سيساعد ذلك Tesla على إنشاء بطاريات ذات كثافة طاقة أعلى، وعمر دورة أطول، وميزات أمان محسنة، مع خفض التكاليف وتحسين الاستدامة.

من الناحية المالية، في عام 2023، سجلت Tesla إيرادات بقيمة 96.8 مليار دولار، بزيادة 19٪ عن العام السابق، مما يبرز نموها المالي القوي وإمكاناتها للابتكار المستمر.

#2. Intel Corporation (INTC)

شركة أخرى ستستفيد بشكل كبير من تبادل البيانات المعياري الذي يقدمه OPTIMADE هي Intel (INTC ) Corporation (INTC)، الرائدة في قطاع التكنولوجيا وأشباه الموصلات. من خلال الاستفادة من الذكاء الاصطناعي وبيانات المواد المعيارية، يمكن لـ Intel اكتشاف وتصميم مواد أشباه موصلات جديدة، مما يؤدي إلى تطوير شرائح ذات أداء أفضل، كفاءة أعلى، ووظائف جديدة.

سيساعد ذلك Intel على الحفاظ على موقعها في طليعة الابتكار في مجال أشباه الموصلات. علاوة على ذلك، سيؤدي دمج البيانات عبر قواعد متعددة إلى تبسيط عمليات البحث والتطوير لدى Intel، مما يسمح بتركيز أكبر على الابتكار وأقل على إدارة البيانات.

من الناحية المالية، سجلت Intel إيرادات بقيمة 54.2 مليار دولار في عام 2023، مما يعكس الدور الكبير للشركة في الصناعة وإمكاناتها المستمرة للنمو والتطور.

مستقبل OPTIMADE

مع تزايد اعتماد OPTIMADE بشكل مستمر، يستكشف مجتمع علوم المواد آفاقًا جديدة لتكامل البيانات والاكتشاف. أحد مجالات التطوير هو دمج OPTIMADE مع معايير وأنتولوجيات بيانات أخرى، مثل الأنطولوجيا الأوروبية لنمذجة المواد (EMMO) وإطار معلومات البلورات (CIF).

سيسمح توحيد هذه المعايير والسمات الدلالية للباحثين بطرح أسئلة أكثر قوة وتعقيدًا عبر مصادر بيانات متعددة، وأطوال، ومقاييس زمنية، ومجالات علوم المواد.

مجال تركيز آخر للبحث المستقبلي هو تطوير أدوات أكثر تقدمًا وأتمتة لتحليل بيانات المواد وتعلم الآلة. صعود تقنيات التعلم العميق مثل الشبكات العصبية الرسومية وهياكل المحولات يشير إلى الحاجة إلى طرق موحدة وقابلة للتوسع لتمثيل ومعالجة بيانات المواد في هذه النماذج.

يُعَدّ OPTIMADE في موقع جيد للعب دور رئيسي في هذا المجال، حيث يمكنه توفير واجهة مشتركة للوصول إلى مجموعات بيانات واسعة ومتنوعة من خصائص وهياكل المواد ودمجها. كما يقول الدكتور ماتياس شيفلر، مدير معهد فريتز هابر ورائد في علوم المواد الحاسوبية:

“ليس OPTIMADE مجرد جعل البيانات أكثر إمكانية للوصول، بل هو تمكين نماذج جديدة لاكتشاف وتصميم المواد. من خلال توفير أساس لأبحاث المواد المدفوعة بالبيانات والذكاء الاصطناعي، نساعد على دخول عصر جديد من الابتكار والاكتشاف.”

نظرةً إلى المستقبل، هناك أيضًا اهتمام باستخدام OPTIMADE لتمكين نماذج مشاركة بيانات واكتشاف مواد أكثر لامركزية وتعاونًا. على سبيل المثال، يستكشف بعض الباحثين استخدام تقنية البلوك تشين لإنشاء شبكات موزعة وآمنة من قواعد بيانات OPTIMADE حيث يمكن مشاركة البيانات والاستعلام عنها عبر مؤسسات ومجالات متعددة.

يبحث آخرون في التعلم المتحد (federated learning) لتدريب نماذج تعلم آلي على مجموعات بيانات لامركزية دون الحاجة إلى تجميع أو توحيد البيانات. من خلال السماح للباحثين في شركات مثل Matgenix وData Science OÜ بالتعاون ومشاركة الرؤى عبر حدود المؤسسات مع الحفاظ على بياناتهم وحقوق الملكية الفكرية، يمكن لهذه الأساليب تسريع وتيرة اكتشاف المواد والابتكار.

انقر هنا لتعرف لماذا يُعد الذكاء الاصطناعي لعبة بمليار دولار لشركة Cisco Systems. (CSCO )

أفكار ختامية

الذكاء الاصطناعي والتقنيات المدفوعة بالبيانات في علوم المواد تغير طريقة اكتشافنا وتصميمنا ونشرنا للمواد الجديدة. لكن لتحقيق كامل إمكانات هذه الأساليب، نحتاج إلى بنية تحتية قوية وموحدة للوصول إلى البيانات وتكاملها عبر مصادر ومجالات متعددة.

تُعد واجهة برمجة تطبيقات OPTIMADE مُمكنًا رئيسيًا لهذا من خلال توفير لغة وبروتوكول موحدين للاستعلام واسترجاع بيانات المواد بصيغة قابلة للقراءة آليًا. من خلال تقليل الحواجز أمام الوصول إلى البيانات وتكاملها، تجعل OPTIMADE أبحاث المواد أكثر ديمقراطية وتسرّع الابتكار.

مع تزايد اعتماد OPTIMADE وظهور أدوات وتقنيات جديدة لاكتشاف المواد المدفوعة بالبيانات، نتوقع المزيد في المستقبل. من مواد بطاريات جديدة وسبائك عالية الأداء إلى أدوية مخصصة ومواد نانوية وظيفية، الاحتمالات لا حصر لها.

ولكن لتحقيق ذلك، نحتاج إلى استثمار مستدام وتعاون عبر مجتمع علوم المواد، بالإضافة إلى بيانات مفتوحة، ومعايير مفتوحة، وعلم مفتوح. فقط من خلال العمل معًا عبر الحدود التخصصية والمؤسسية يمكننا أن نطلق القوة الكاملة للذكاء الاصطناعي والاكتشاف المدفوع بالبيانات في علوم المواد.

كما يقول الدكتور جرباند سيدر، أستاذ علوم المواد في جامعة كاليفورنيا بيركلي ورائد تصميم المواد الحاسوبية:

“المستقبل مشرق، لكن علينا تغيير طريقة تفكيرنا حول البيانات والتعاون. من خلال استخدام معايير مفتوحة مثل OPTIMADE والعمل معًا كمجتمع لتبادل المعرفة، يمكننا تسريع الابتكار وحل بعض أكبر المشكلات التي نواجهها اليوم.”

بشكل عام، سيُحدث اعتماد معايير مثل OPTIMADE ثورة في علوم المواد من خلال تبسيط تكامل البيانات، وتعزيز التعاون، ودفع الابتكار السريع عبر صناعات متعددة.

انقر هنا لتعرف كل ما يتعلق بالاستثمار في الذكاء الاصطناعي (AI).