Standards etablieren, um den Nutzen von Künstlicher Intelligenz zu maximieren

Die Materialwissenschaft verändert sich schnell durch den Aufstieg von Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML). Diese Werkzeuge transformieren, wie wir neue Materialien entdecken, entwerfen und optimieren, um die großen Herausforderungen im sauberen Energiebereich und in der nachhaltigen Fertigung, fortgeschrittener Elektronik und Biomedizin zu bewältigen.

Allerdings erfordert das volle Potenzial von KI in der Materialforschung mehr als nur ausgefallene Algorithmen und große Datenmengen. Es bedarf einer robusten, standardisierten Infrastruktur, um Materialdaten aus verschiedenen Quellen und Bereichen zuzugreifen, zu teilen und zu integrieren. Ohne Standards stehen Forschende vor großen Hürden, genaue, verallgemeinerbare Modelle zu trainieren und ihre Ergebnisse in die reale Welt zu übertragen.

Hier betrachten wir die Bedeutung von Datenstandards für KI-gesteuerte Materialentdeckung, mit Fokus auf die neue Open Databases Integration for Materials Design (OPTIMADE) Initiative. Wir werden die Herausforderungen des Austauschs von Materialdaten, die API‑Funktionen und Vorteile von OPTIMADE sowie Praxisbeispiele dafür, wie dieser Standard die Materialforschung bereits verändert, behandeln. Abschließend werfen wir einen Blick in die Zukunft von OPTIMADE und was dies für Innovationen bei neuen Materialien bedeuten könnte.

Die Herausforderungen des Austauschs von Materialdaten

Um die Bedeutung von Datenstandards in der Materialwissenschaft zu verstehen, muss man die Herausforderungen begreifen, denen Forschende beim Zugriff auf und der Integration von Daten aus verschiedenen Quellen gegenüberstehen.

Materialdaten sind über eine fragmentierte Landschaft von Datenbanken verstreut, von denen jede ihr eigenes Datenschema, ihre eigene API und Zugriffsprotokolle hat. Dieser Mangel an Interoperabilität stellt eine große Hürde für Forschende dar, die Machine‑Learning‑Modelle erstellen oder groß angelegte Datenmining‑Projekte durchführen wollen.

Nehmen wir zum Beispiel einen Materialwissenschaftler, der neue Batteriematerialien entdecken möchte. Um ein Vorhersagemodell zu trainieren, müsste er Daten zu einer breiten Palette bekannter Batterieverbindungen, deren Kristallstrukturen, elektrochemischen Eigenschaften und Synthesebedingungen sammeln.

Diese Daten sind jedoch wahrscheinlich über mehrere Datenbanken verteilt, von denen jede ihre eigene Art hat, die Informationen darzustellen und bereitzustellen.

Um die relevanten Daten zu erhalten, müsste der Forschende:

• Eigenen Code schreiben, um jede Datenbank‑API abzufragen
• Sich durch ihr einzigartiges Schema navigieren
• Die Ergebnisse bereinigen und in ein konsistentes Format zusammenführen.

Dies ist zeitaufwendig, fehleranfällig und erfordert technisches Fachwissen außerhalb des Kernbereichs des Forschenden.

Dr. Julia Ling, Materialinformatik‑Wissenschaftlerin am Lawrence Berkeley National Laboratory, hat das aus erster Hand erlebt. Sie sagt:

“In meiner Arbeit muss ich häufig Daten aus mehreren Datenbanken integrieren, um umfassende Trainingsdatensätze für meine Machine‑Learning‑Modelle zu erstellen. Aber der Mangel an Standardisierung über diese Datenbanken hinweg ist ein großes Problem. Ich kann Wochen damit verbringen, Datenverarbeitungsskripte zu schreiben, bevor ich überhaupt mit dem Training meiner Modelle beginnen kann.”

Das Problem wird noch verschärft durch die Tatsache, dass viele Materialdatenbanken in einzelnen Forschungsgruppen oder Institutionen abgeschottet sind, sodass externe Forschende die Daten nicht einmal finden, geschweige denn darauf zugreifen können. Dieser Mangel an Sichtbarkeit und Zugänglichkeit bremst die Wissenschaft und führt zu unnötiger Doppelarbeit.

Dr. Bryce Meredig, Mitbegründer und Chief Science Officer von Citrine Informatics, sagt:

“Der aktuelle Zustand von Materialdaten ist ein Chaos. Sie sind verstreut, heterogen und oft schlecht dokumentiert. Das macht es unmöglich, diese Daten effektiv zu nutzen, insbesondere für Machine Learning.”

Die Notwendigkeit von Community‑Standards

Um diese Herausforderungen zu überwinden und das volle Potenzial von KI in der Materialforschung auszuschöpfen, benötigt die Community ein gemeinsames Set von Standards und Protokollen für den Datenaustausch. Diese Standards sollten es Forschenden ermöglichen, Daten aus verschiedenen Quellen in einem konsistenten, maschinenlesbaren Format zuzugreifen und zu integrieren, ohne die Komplexität jeder einzelnen Datenbank navigieren zu müssen.

Diese Standards müssen von der Community in offener und kollaborativer Weise entwickelt und übernommen werden. Sie können nicht von einer einzelnen Institution oder einem Datenbankanbieter top‑down aufgezwungen werden. Sie müssen aus einem Konsens‑ und Iterationsprozess entstehen, bei dem ein breites Spektrum von Interessengruppen aus Wissenschaft, Industrie und Regierung einbezogen wird.

Die Vorteile sind klar. Durch die Bereitstellung einer gemeinsamen Sprache und eines Rahmens für den Austausch von Materialdaten können die Hürden für Datenzugriff und -integration gesenkt werden, sodass Forschende mehr Zeit für die Wissenschaft und weniger für das Daten‑Wrangling aufwenden können. Darüber hinaus kann ein reichhaltiges Ökosystem interoperabler Werkzeuge und Dienste ermöglicht werden, von Datenvisualisierungs‑ und Analyseplattformen bis hin zu automatisierten Entdeckungs‑Pipelines und Wissensdatenbanken.

Dr. Kristin Persson, Direktorin des Materials Project am Lawrence Berkeley National Laboratory, sagt, dass Community‑Standards entscheidend sind, um das volle Potenzial von KI in der Materialwissenschaft auszuschöpfen. Sie fügte hinzu:

“Durch die Einigung auf ein gemeinsames Set von Prinzipien und Protokollen für den Datenaustausch können wir ein völlig neues Niveau an Zusammenarbeit und Innovation in der Materialforschung erschließen. Es geht nicht nur darum, Daten zugänglicher zu machen, sondern neue Wissenschaft zu ermöglichen, die zuvor unmöglich war.”

Der Aufstieg von OPTIMADE

Als man den Bedarf an Community‑Standards für den Austausch von Materialdaten erkannte, kamen 2016 führende Materialdatenbanken und Software‑Anbieter zusammen, um die Open Databases Integration for Materials Design (OPTIMADE) Initiative zu starten.

Ziel von OPTIMADE ist es, eine gemeinsame API‑Spezifikation zu entwickeln, mit der Daten aus Materialdatenbanken in einem standardisierten, maschinenlesbaren Format abgefragt und abgerufen werden können. Durch die Bereitstellung einer einzigen Schnittstelle zu vielen Datenbanken wird es Forschenden erleichtert, Materialdaten in ihre Workflows zu integrieren, unabhängig davon, welche Datenbank oder Software sie verwenden.

Die OPTIMADE‑Spezifikation basiert auf REST‑basiertem Webdesign unter Verwendung standardisierter HTTP‑Protokolle und JSON‑Datenformate, um die Kommunikation zwischen Datenbanken und Client‑Anwendungen zu ermöglichen. Sie definiert ein Set gemeinsamer Endpunkte und Abfrageparameter, die Datenbanken implementieren können, um ihre Daten auf standardisierte, selbsterklärende Weise bereitzustellen.

Zum Beispiel kann eine Client‑Anwendung eine einfache HTTP‑GET‑Anfrage an eine OPTIMADE‑konforme Datenbank senden, wobei die Abfrageparameter in einem standardisierten Format übermittelt werden, um nach Materialien zu suchen, die Eisen und Sauerstoff enthalten.

Der Datenbank‑Server übersetzt dies dann in seine eigene Abfragesprache, führt die Suche aus und gibt die Ergebnisse im JSON‑Format zurück. Die Client‑Anwendung kann diese Ergebnisse anschließend mit Standard‑Tools und Bibliotheken parsen und verarbeiten, ohne das zugrunde liegende Datenbankschema oder Implementierungsdetails kennen zu müssen.

OPTIMADE in Aktion

Seit 2019 wurde OPTIMADE von vielen Materialdatenbanken und Software‑Tools übernommen.

Ein Beispiel ist das Materials Project, eine beliebte Datenbank für berechnete Materialeigenschaften, gehostet vom Lawrence Berkeley National Laboratory. Im Jahr 2020 implementierte das Materials‑Project‑Team eine OPTIMADE‑API, sodass Nutzer*innen ihren umfangreichen Datensatz über standardisierte Abfrageparameter und Antwortformate abrufen können.

Laut Dr. Shyam Dwaraknath, leitender Datenbankarchitekt:

“Die OPTIMADE‑API des Materials Project war ein Wendepunkt für unsere Nutzer. Sie hat ein völlig neues Ökosystem von Werkzeugen und Integrationen ermöglicht, das den Zugriff auf und die Analyse unserer Daten aus Jupyter‑Notebooks, Web‑Anwendungen bis hin zu Hoch‑Durchsatz‑Screening‑Pipelines einfacher denn je macht.”

Das NOMAD‑Archiv, ein Repository für Rohdaten aus Hoch‑Durchsatz‑Materialsimulationen, ist ein weiterer früher Anwender von OPTIMADE. Durch die Bereitstellung seiner Daten über eine OPTIMADE‑API hat NOMAD Forschenden ermöglicht, groß angelegte Datenmining‑Projekte durchzuführen und Machine‑Learning‑Modelle auf einem riesigen Datensatz berechneter Eigenschaften zu trainieren.

Laut Dr. Luca Ghiringhelli, Gruppenleiter am Fritz‑Haber‑Institut und KI‑Enthusiast in der Materialwissenschaft:

“Wir beobachten einen echten Aufschwung des Interesses an datengetriebener Materialforschung, und OPTIMADE spielt dabei eine Schlüsselrolle. Durch die Bereitstellung einer einzigen Schnittstelle zu mehreren Datenbanken senkt es die Hürden für Datenzugriff und -integration und trägt zur Demokratisierung des Feldes bei.”

Praxisbeispiele

Die Auswirkungen von OPTIMADE sind bereits in vielen Bereichen der Materialforschung zu sehen, von Batterien und erneuerbarer Energie bis hin zu Luft‑ und Raumfahrt sowie biomedizinischer Technik. Hier sind einige Beispiele, wie dies geschieht:

#1. Hochleistungs‑Thermoelektrika finden: Forscher*innen der Northwestern University nutzten OPTIMADE, um Daten aus mehreren rechnerischen Datenbanken, darunter das Materials Project und OQMD, zu kombinieren und ein Machine‑Learning‑Modell zur Vorhersage der thermoelektrischen Eigenschaften neuer Materialien zu trainieren. Mit diesem Datensatz konnten sie mehrere neue Verbindungen mit potenziell rekordverdächtiger Leistung finden, die nun synthetisiert und getestet werden.

#2. Hoch‑Durchsatz‑Screening von 2D‑Materialien: Ein Team der Technischen Universität Dänemarks nutzte OPTIMADE, um mehr als 50.000 berechnete 2D‑Materialien aus der Computational 2D Materials Database (C2DB) zu screenen. Durch Abfragen der Datenbank mittels OPTIMADE‑Filtern konnten sie schnell Materialien mit spezifischen Eigenschaften, wie hoher Ladungsträger‑Mobilität oder kleinem Bandabstand, für die nächste Generation von Elektronik‑ und Optoelektronik‑Anwendungen finden.

#3. Die rasche Entwicklung neuer Batteriematerialien: Forscher*innen des MIT und der Stanford University nutzten OPTIMADE, um eine zentrale Datenbank von Batteriematerial‑Eigenschaften aufzubauen, indem sie Daten aus dem Materials Project, OQMD und anderen Quellen kombinierten. Sie trainierten eine Reihe von Machine‑Learning‑Modellen auf diesem Datensatz, um Schlüssel‑Leistungskennzahlen wie Kapazität und Zyklenstabilität für neue Lithium‑Ion‑Batterie‑Chemien vorherzusagen. Diese Modelle werden nun eingesetzt, um experimentelle Anstrengungen zu leiten, die sicherere, langlebigere und energiedichtere Batterien für Elektrofahrzeuge und Netzspeicher entwickeln.

#4. Design von Hochentropie‑Legierungen: Ein Team der University of Maryland nutzte OPTIMADE, um Daten aus mehreren rechnerischen und experimentellen Datenbanken, darunter das Materials Project, OQMD und die High‑Entropy‑Alloys‑Datenbank (THEAD), zu kombinieren und einen Datensatz von Hochentropie‑Legierungs‑Eigenschaften zu erstellen. Sie verwendeten diesen Datensatz, um ein Machine‑Learning‑Modell zu trainieren, das die Bildungsenergien und Phasestabilitäten neuer Hochentropie‑Legierungs‑Zusammensetzungen vorhersagt. Sie konnten Tausende von Kandidaten screenen und die vielversprechendsten für experimentelle Validierung auswählen. Diese Arbeit beschleunigt die Entwicklung der nächsten Generation von Hochentropie‑Legierungen mit außergewöhnlicher Festigkeit, Zähigkeit und Korrosionsbeständigkeit für Luft‑ und Raumfahrt, Verteidigung und darüber hinaus.

Nun schauen wir, welche Unternehmen am meisten von der Etablierung dieser Standards profitieren können.

#1. Tesla (TSLA)

Tesla, Inc. (TSLA ) wird stark von dem standardisierten Datenaustausch von OPTIMADE profitieren, da dies die Fähigkeit verbessert, bessere Batterietechnologien zu entwickeln und Materialien in den Fertigungsprozessen zu optimieren. Dies wird Tesla ermöglichen, Batterien mit höherer Energiedichte, längeren Lebenszyklen und verbesserten Sicherheitsmerkmalen zu schaffen, während gleichzeitig Kosten gesenkt und die Nachhaltigkeit verbessert werden.

Finanziell gesehen meldete Tesla im Jahr 2023 einen Umsatz von 96,8 Milliarden US‑Dollar, ein Anstieg von 19 % gegenüber dem Vorjahr, was ihr starkes finanzielles Wachstum und ihr Potenzial für anhaltende Innovationen zeigt.

#2. Intel Corporation (INTC)

Ein weiteres Unternehmen, das erheblich vom standardisierten Datenaustausch von OPTIMADE profitieren wird, ist die Intel (INTC ) Corporation (INTC), ein führender Akteur im Technologie‑ und Halbleitersektor. Durch die Nutzung von KI und standardisierten Materialdaten kann Intel neue Halbleitermaterialien entdecken und entwerfen, was zur Entwicklung von Chips mit besserer Leistung, höherer Effizienz und neuen Funktionalitäten führt.

Dies wird Intel dabei unterstützen, seine Spitzenposition in der Halbleiterinnovation zu halten. Darüber hinaus wird die Integration von Daten aus verschiedenen Datenbanken die Forschungs‑ und Entwicklungsprozesse von Intel rationalisieren, sodass mehr Fokus auf Innovation und weniger auf Datenmanagement gelegt werden kann.

Finanziell verzeichnete Intel im Jahr 2023 einen Umsatz von 54,2 Milliarden US‑Dollar, was die bedeutende Rolle des Unternehmens in der Branche und sein anhaltendes Wachstumspotenzial unterstreicht.

Die Zukunft von OPTIMADE

Während OPTIMADE immer stärker übernommen wird, erkundet die Materialwissenschaftsgemeinschaft neue Grenzen der Datenintegration und -entdeckung.

Ein Entwicklungsbereich ist die Integration von OPTIMADE mit anderen Datenstandards und Ontologien, wie der European Materials Modelling Ontology (EMMO) und dem Crystallographic Information Framework (CIF).

Die Angleichung dieser unterschiedlichen Standards und Semantiken wird es Forschenden ermöglichen, noch leistungsfähigere und komplexere Fragen über mehrere Datenquellen, Längen‑ und Zeitskalen sowie Fachbereiche der Materialwissenschaft zu stellen.

Ein weiterer Schwerpunkt zukünftiger Forschung liegt in der Entwicklung fortschrittlicher und automatisierter Werkzeuge für die Analyse von Materialdaten und Machine Learning. Der Aufstieg von Deep‑Learning‑Techniken wie Graph‑Neural‑Networks und Transformer‑Architekturen signalisiert den Bedarf an sowohl standardisierten als auch skalierbaren Methoden, um Materialdaten in diesen Modellen darzustellen und zu verarbeiten.

OPTIMADE ist gut positioniert, um in diesem Bereich eine Schlüsselrolle zu spielen, da es eine gemeinsame Schnittstelle zum Zugriff auf und zur Integration großer, diverser Datensätze von Materialeigenschaften und -strukturen bieten kann. Wie Dr. Matthias Scheffler, Direktor des Fritz‑Haber‑Instituts und Pionier der rechnerischen Materialwissenschaft, sagt:

“OPTIMADE geht nicht nur darum, Daten zugänglicher zu machen, sondern neue Paradigmen für die Entdeckung und das Design von Materialien zu ermöglichen. Durch die Bereitstellung einer Grundlage für datengetriebene und KI‑gestützte Materialforschung tragen wir dazu bei, eine neue Ära von Innovation und Entdeckung einzuleiten.”

Ein Blick in die Zukunft zeigt zudem ein Interesse daran, OPTIMADE zu nutzen, um dezentralere und kollaborativere Modelle des Datenaustauschs und der Entdeckung von Materialien zu ermöglichen.

Zum Beispiel untersuchen einige Forschende den Einsatz von Blockchain, um sichere, verteilte Netzwerke von OPTIMADE‑Datenbanken zu schaffen, in denen Daten über mehrere Institutionen und Fachbereiche hinweg geteilt und abgefragt werden können.

Andere befassen sich mit föderiertem Lernen, um Machine‑Learning‑Modelle auf dezentralen Datensätzen zu trainieren, ohne die Daten zentralisieren oder harmonisieren zu müssen. Durch die Möglichkeit, dass Forschende bei Unternehmen wie Matgenix und Data Science OÜ zusammenarbeiten und Erkenntnisse über institutionelle Grenzen hinweg teilen können, während sie ihre eigenen Daten und ihr geistiges Eigentum kontrollieren, könnten diese Ansätze das Tempo der Materialentdeckung und -innovation beschleunigen.

Klicken Sie hier, um zu erfahren, warum Künstliche Intelligenz ein Milliarden‑Dollar‑Spiel für Cisco Systems ist. (CSCO )

Abschließende Gedanken

KI und datengetriebene Techniken in der Materialwissenschaft verändern die Art und Weise, wie wir neue Materialien entdecken, entwerfen und einsetzen. Um diese Ansätze jedoch vollständig zu realisieren, benötigen wir eine robuste, standardisierte Infrastruktur, um Daten aus mehreren Quellen und Bereichen zuzugreifen und zu integrieren.

Die OPTIMADE‑API ist ein entscheidender Enabler, da sie eine gemeinsame Sprache und ein Protokoll bereitstellt, um Materialdaten in einem maschinenlesbaren Format abzufragen und abzurufen. Durch die Senkung der Hürden für Datenzugriff und -integration macht OPTIMADE die Materialforschung demokratischer und beschleunigt Innovationen.

Da OPTIMADE immer stärker übernommen wird und neue Werkzeuge und Techniken für datengetriebene Materialentdeckung entstehen, können wir in Zukunft noch mehr erwarten. Von neuen Batteriematerialien und Hochleistungs‑Legierungen bis hin zu maßgeschneiderten Medikamenten und funktionalen Nanomaterialien sind die Möglichkeiten endlos.

Um dies zu verwirklichen, benötigen wir nachhaltige Investitionen und Zusammenarbeit über die Materialwissenschaftsgemeinschaft hinweg, sowie offene Daten, offene Standards und offene Wissenschaft. Nur durch gemeinsames Arbeiten über disziplinäre und institutionelle Grenzen hinweg können wir das volle Potenzial von KI und datengetriebener Entdeckung in der Materialwissenschaft entfesseln.

Wie Dr. Gerbrand Ceder, Professor für Materialwissenschaft an der UC Berkeley und Pionier des rechnerischen Materialdesigns, sagt:

“Die Zukunft ist vielversprechend, aber wir müssen unsere Denkweise über Daten und Zusammenarbeit ändern. Durch die Nutzung offener Standards wie OPTIMADE und das gemeinschaftliche Teilen von Wissen können wir Innovationen beschleunigen und einige der größten Probleme, denen wir heute gegenüberstehen, lösen.”

Insgesamt wird die Einführung von Standards wie OPTIMADE die Materialwissenschaft revolutionieren, indem sie die Datenintegration strafft, die Zusammenarbeit verbessert und schnelle Innovationen über mehrere Branchen hinweg vorantreibt.

Klicken Sie hier, um alles über Investitionen in Künstliche Intelligenz (KI) zu erfahren.