Καθιέρωση Προτύπων για τη Μέγιστη Ωφέλεια της Τεχνητής Νοημοσύνης

Η επιστήμη των υλικών αλλάζει γρήγορα με την άνοδο της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης (ML). Αυτά τα εργαλεία μετασχηματίζουν τον τρόπο με τον οποίο ανακαλύπτουμε, σχεδιάζουμε και βελτιστοποιούμε νέα υλικά για να αντιμετωπίσουμε τις μεγάλες προκλήσεις στην καθαρή ενέργεια και τη βιώσιμη παραγωγή, τα προηγμένα ηλεκτρονικά και τη βιοϊατρική.

Ωστόσο, η αξιοποίηση του AI στην έρευνα υλικών απαιτεί περισσότερα από απλούς αλγόριθμους και μεγάλα δεδομένα. Απαιτεί μια ισχυρή, τυποποιημένη υποδομή για πρόσβαση, κοινή χρήση και ενσωμάτωση δεδομένων υλικών μεταξύ διαφορετικών πηγών και τομέων. Χωρίς πρότυπα, οι ερευνητές αντιμετωπίζουν μεγάλα εμπόδια στην εκπαίδευση ακριβών, γενικεύσιμων μοντέλων και στην εφαρμογή των αποτελεσμάτων τους στην πραγματική ζωή.

Εδώ, θα εξετάσουμε τη σημασία των προτύπων δεδομένων για την ανακάλυψη υλικών με AI, εστιάζοντας στην νέα Open Databases Integration for Materials Design (OPTIMADE) πρωτοβουλία. Θα καλύψουμε τις προκλήσεις της ανταλλαγής δεδομένων υλικών, τα χαρακτηριστικά και τα οφέλη του API OPTIMADE, και παραδείγματα πραγματικού κόσμου για το πώς αυτό το πρότυπο αλλάζει ήδη την έρευνα υλικών. Τέλος, θα δούμε το μέλλον του OPTIMADE και τι θα μπορούσε να σημαίνει για την καινοτομία σε νέα υλικά.

Οι Προκλήσεις της Ανταλλαγής Δεδομένων Υλικών

Για να κατανοήσουμε τη σημασία των προτύπων δεδομένων στην επιστήμη των υλικών, πρέπει να καταλάβουμε τις προκλήσεις που αντιμετωπίζουν οι ερευνητές στην πρόσβαση και ενσωμάτωση δεδομένων από διαφορετικές πηγές.

Τα δεδομένα υλικών είναι διασκορπισμένα σε ένα κατακερματισμένο τοπίο βάσεων δεδομένων, καθεμία με το δικό της σχήμα δεδομένων, API και πρωτόκολλα πρόσβασης. Αυτή η έλλειψη διαλειτουργικότητας αποτελεί μεγάλο εμπόδιο για ερευνητές που θέλουν να δημιουργήσουν μοντέλα μηχανικής μάθησης ή να κάνουν μεγάλης κλίμακας εξόρυξη δεδομένων.

Πάρτε, για παράδειγμα, έναν επιστήμονα υλικών που θέλει να ανακαλύψει νέα υλικά μπαταριών. Για να εκπαιδεύσει ένα προβλεπτικό μοντέλο, θα χρειαστεί να συγκεντρώσει δεδομένα για μια ευρεία γκάμα γνωστών ενώσεων μπαταριών, τις κρυσταλλικές τους δομές, τις ηλεκτροχημικές ιδιότητες και τις συνθήκες σύνθεσης.

Ωστόσο, αυτά τα δεδομένα είναι πιθανό να είναι διασκορπισμένα σε πολλαπλές βάσεις δεδομένων, καθεμία με τον δικό τρόπο αναπαράστασης και παροχής των πληροφοριών.

Για να αποκτήσει τα σχετικά δεδομένα, ο ερευνητής θα πρέπει να:

• Γράψει προσαρμοσμένο κώδικα για ερώτημα του API κάθε βάσης δεδομένων
• Πλοηγηθεί στο μοναδικό σχήμα της
• Καθαρίσει και συγχωνεύσει τα αποτελέσματα σε ένα συνεπές μορφότυπο.

Αυτό είναι χρονοβόρο, επιρρεπές σε σφάλματα, και απαιτεί τεχνική εξειδίκευση πέρα από τον κύριο τομέα του ερευνητή.

Η Δρ. Julia Ling, επιστήμονας πληροφορικής υλικών στο Εθνικό Εργαστήριο Lawrence Berkeley, το έχει βιώσει από πρώτο χέρι. Λέει:

«Στην εργασία μου, συχνά χρειάζεται να ενσωματώσω δεδομένα από πολλαπλές βάσεις δεδομένων για να δημιουργήσω ολοκληρωμένα σύνολα εκπαίδευσης για τα μοντέλα μηχανικής μάθησης. Αλλά η έλλειψη τυποποίησης μεταξύ αυτών των βάσεων δεδομένων αποτελεί μεγάλο πρόβλημα. Μπορώ να περάσω εβδομάδες γράφοντας σενάρια επεξεργασίας δεδομένων πριν μπορέσω καν να ξεκινήσω την εκπαίδευση των μοντέλων μου.»

Το πρόβλημα επιδεινώνεται από το γεγονός ότι πολλές βάσεις δεδομένων υλικών είναι κλειδωμένες σε μεμονωμένες ερευνητικές ομάδες ή ιδρύματα, οπότε εξωτερικοί ερευνητές δεν μπορούν ούτε να βρουν, πόσο μάλλον να έχουν πρόσβαση σε ενδεχομένως πολύτιμα δεδομένα. Αυτή η έλλειψη ορατότητας και προσβασιμότητας καθυστερεί την επιστήμη και προκαλεί περιττή διπλοεγγραφή προσπάθειας.

Ο Δρ. Bryce Meredig, συνιδρυτής και Chief Science Officer της Citrine Informatics, λέει:

«Η τρέχουσα κατάσταση των δεδομένων υλικών είναι ένα χάος. Είναι διασκορπισμένα, ετερογενή και συχνά κακώς τεκμηριωμένα. Αυτό καθιστά αδύνατη τη αποτελεσματική χρήση των δεδομένων, ειδικά για τη μηχανική μάθηση.»

Η Ανάγκη για Κοινοτικά Πρότυπα

Για να ξεπεραστούν αυτές οι προκλήσεις και να αξιοποιηθεί στο έπακρο η AI στην έρευνα υλικών, η κοινότητα χρειάζεται ένα κοινό σύνολο προτύπων και πρωτοκόλλων για ανταλλαγή δεδομένων. Αυτά τα πρότυπα πρέπει να επιτρέπουν στους ερευνητές να έχουν πρόσβαση και να ενσωματώνουν δεδομένα από διαφορετικές πηγές σε ένα συνεπές, μηχανικά αναγνώσιμο μορφότυπο χωρίς να χρειάζεται να πλοηγηθούν στις ιδιαιτερότητες κάθε βάσης δεδομένων.

Αυτά τα πρότυπα πρέπει να αναπτυχθούν και να υιοθετηθούν από την κοινότητα με ανοιχτό και συνεργατικό τρόπο. Δεν μπορούν να επιβληθούν από πάνω από κάποιο ενιαίο ίδρυμα ή πάροχο βάσεων δεδομένων. Πρέπει να προκύψουν από διαδικασία συναίνεσης και επανάληψης με εισροές από ευρύ φάσμα ενδιαφερομένων φορέων στην ακαδημαϊκή κοινότητα, τη βιομηχανία και την κυβέρνηση.

Τα οφέλη είναι σαφή. Παρέχοντας μια κοινή γλώσσα και πλαίσιο για την ανταλλαγή δεδομένων υλικών, μπορούν να μειωθούν τα εμπόδια στην πρόσβαση και ενσωμάτωση δεδομένων και να επιτραπεί στους ερευνητές να αφιερώνουν περισσότερο χρόνο στην επιστήμη και λιγότερο στη διαχείριση δεδομένων. Επιπλέον, μπορούν να ενεργοποιήσουν ένα πλούσιο οικοσύστημα διαλειτουργικών εργαλείων και υπηρεσιών, από πλατφόρμες οπτικοποίησης και ανάλυσης δεδομένων μέχρι αυτοματοποιημένες γραμμές ανακάλυψης και βάσεις γνώσης.

Η Δρ. Kristin Persson, διευθύντρια του Materials Project στο Εθνικό Εργαστήριο Lawrence Berkeley, λέει ότι τα κοινοτικά πρότυπα είναι κλειδί για την πλήρη αξιοποίηση της AI στην επιστήμη των υλικών. Πρόσθεσε:

“Με τη συμφωνία σε ένα κοινό σύνολο αρχών και πρωτοκόλλων για την ανταλλαγή δεδομένων, μπορούμε να ανοίξουμε ένα εντελώς νέο επίπεδο συνεργασίας και καινοτομίας στην έρευνα υλικών. Δεν πρόκειται μόνο για την καλύτερη προσβασιμότητα των δεδομένων, αλλά για την ενεργοποίηση νέας επιστήμης που ήταν αδύνατη πριν.”

Η Άνοδος του OPTIMADE

Αντιλαμβανόμενοι την ανάγκη για κοινοτικά πρότυπα στην ανταλλαγή δεδομένων υλικών, μια ομάδα κορυφαίων βάσεων δεδομένων υλικών και παρόχων λογισμικού συγκεντρώθηκε το 2016 για να λανσάρει την πρωτοβουλία Open Databases Integration for Materials Design (OPTIMADE).

Ο στόχος του OPTIMADE είναι η ανάπτυξη μιας κοινής προδιαγραφής API για ερωτήματα και ανάκτηση δεδομένων από βάσεις δεδομένων υλικών σε τυποποιημένο, μηχανικά αναγνώσιμο μορφότυπο. Παρέχοντας ένα ενιαίο interface σε πολλές βάσεις δεδομένων, το OPTIMADE θα κάνει ευκολότερη την πρόσβαση και ενσωμάτωση δεδομένων υλικών στις ροές εργασίας των ερευνητών, ανεξάρτητα από τη βάση δεδομένων ή το λογισμικό που χρησιμοποιούν.

Η προδιαγραφή του OPTIMADE βασίζεται σε σχεδίαση RESTful χρησιμοποιώντας τυπικά πρωτόκολλα HTTP και μορφότυπα δεδομένων JSON για να επιτρέψει την επικοινωνία μεταξύ βάσεων δεδομένων και εφαρμογών-πελάτη. Ορίζει ένα σύνολο κοινών τελικών σημείων και παραμέτρων ερωτημάτων που μπορούν να υλοποιήσουν οι βάσεις δεδομένων για να εκθέτουν τα δεδομένα τους με τυποποιημένο, αυτό-περιγραφικό τρόπο.

Για παράδειγμα, μια εφαρμογή-πελάτης μπορεί να στείλει ένα απλό HTTP GET αίτημα σε μια βάση δεδομένων συμβατή με το OPTIMADE με τις παραμέτρους ερωτήματος σε τυποποιημένο μορφότυπο για να αναζητήσει υλικά που περιέχουν σίδηρο και οξυγόνο.

Ο διακομιστής της βάσης δεδομένων στη συνέχεια μετατρέπει αυτό σε δική του γλώσσα ερωτήματος, εκτελεί την αναζήτηση και επιστρέφει τα αποτελέσματα σε JSON. Η εφαρμογή-πελάτης μπορεί τότε να αναλύσει και να επεξεργαστεί αυτά τα αποτελέσματα χρησιμοποιώντας τυπικά εργαλεία και βιβλιοθήκες χωρίς να γνωρίζει το υποκείμενο σχήμα ή τις λεπτομέρειες υλοποίησης της βάσης δεδομένων.

Το OPTIMADE σε Δράση

Από το 2019, το OPTIMADE έχει υιοθετηθεί από πολλές βάσεις δεδομένων υλικών και εργαλεία λογισμικού.

Ένα παράδειγμα είναι το Materials Project, μια δημοφιλής βάση δεδομένων υπολογισμένων ιδιοτήτων υλικών που φιλοξενείται από το Εθνικό Εργαστήριο Lawrence Berkeley. Το 2020, η ομάδα του Materials Project υλοποίησε ένα API OPTIMADE ώστε οι χρήστες να μπορούν να έχουν πρόσβαση στο τεράστιο σύνολο δεδομένων του χρησιμοποιώντας τυπικές παραμέτρους ερωτήματος και μορφότυπους απάντησης.

Σύμφωνα με τον Δρ. Shyam Dwaraknath, αρχιτέκτονα της βάσης δεδομένων:

«Το API OPTIMADE του Materials Project έχει αλλάξει το παιχνίδι για τους χρήστες μας. Έχει ενεργοποιήσει ένα ολοκληρωμένο οικοσύστημα εργαλείων και ενσωματώσεων που καθιστούν ευκολότερη από ποτέ την πρόσβαση και ανάλυση των δεδομένων μας από Jupyter notebooks και web εφαρμογές μέχρι υψηλής απόδοσης γραμμές φιλτραρίσματος.»

Το NOMAD Archive, ένα αποθετήριο ακατέργαστων δεδομένων από προσομοιώσεις υψηλής απόδοσης υλικών, είναι ένας άλλος πρώιμος υιοθετητής του OPTIMADE. Εκθέτοντας τα δεδομένα του μέσω ενός API OPTIMADE, το NOMAD έχει επιτρέψει σε ερευνητές να κάνουν μεγάλης κλίμακας εξόρυξη δεδομένων και να εκπαιδεύσουν μοντέλα μηχανικής μάθησης σε ένα τεράστιο σύνολο υπολογισμένων ιδιοτήτων.

Σύμφωνα με τον Δρ. Luca Ghiringhelli, επικεφαλής ομάδας στο Fritz Haber Institute και ενθουσιώδη της AI στην επιστήμη των υλικών:

«Βλέπουμε μια πραγματική άνοδο του ενδιαφέροντος για την έρευνα υλικών βασισμένη σε δεδομένα, και το OPTIMADE παίζει κεντρικό ρόλο σε αυτό. Παρέχοντας ένα ενιαίο interface σε πολλαπλές βάσεις δεδομένων, μειώνει τα εμπόδια στην πρόσβαση και ενσωμάτωση δεδομένων και βοηθά στη δημοκρατικοποίηση του πεδίου.»

Πραγματικές Εφαρμογές

Ο αντίκτυπος του OPTIMADE φαίνεται ήδη σε πολλούς τομείς έρευνας υλικών, από μπαταρίες και ανανεώσιμη ενέργεια μέχρι αεροδιαστημική και βιοϊατρική μηχανική. Ακολουθούν μερικά παραδείγματα του πώς συμβαίνει αυτό:

#1. Εύρεση υψηλών επιδόσεων θερμοηλεκτρικών υλικών: Ερευνητές στο Northwestern University χρησιμοποίησαν το OPTIMADE για να συνδυάσουν δεδομένα από πολλαπλές υπολογιστικές βάσεις δεδομένων, συμπεριλαμβανομένου του Materials Project και του OQMD, ώστε να εκπαιδεύσουν ένα μοντέλο μηχανικής μάθησης για την πρόβλεψη των θερμοηλεκτρικών ιδιοτήτων νέων υλικών. Χρησιμοποιώντας αυτό το σύνολο δεδομένων, κατάφεραν να βρουν αρκετές νέες ενώσεις με ενδεχόμενη ρεκόρ-σπαστική απόδοση, οι οποίες τώρα συντίθενται και δοκιμάζονται.

#2. Υψηλής διαπερατότητας φιλτράρισμα 2D υλικών: Μια ομάδα στο Technical University of Denmark χρησιμοποίησε το OPTIMADE για να φιλτράρει πάνω από 50.000 υπολογισμένα 2D υλικά από τη Βάση Δεδομένων Υπολογιστικών 2D Υλικών (C2DB). Με ερωτήματα στο OPTIMADE, μπόρεσαν γρήγορα να βρουν υλικά με συγκεκριμένες ιδιότητες, όπως υψηλή κινητικότητα φορέα ή μικρό ενεργειακό χάσμα, για την επόμενη γενιά ηλεκτρονικών και οπτοηλεκτρονικών.

#3. Η γρήγορη ανάπτυξη νέων υλικών μπαταριών: Ερευνητές στο MIT και στο Stanford University χρησιμοποίησαν το OPTIMADE για να δημιουργήσουν μια κεντρική βάση δεδομένων ιδιοτήτων υλικών μπαταριών, συνδυάζοντας δεδομένα από το Materials Project, το OQMD και άλλες πηγές. Εκπαιδεύσαν μια σειρά μοντέλων μηχανικής μάθησης σε αυτό το σύνολο δεδομένων για την πρόβλεψη βασικών μετρικών απόδοσης, όπως χωρητικότητα και κυκλικότητα, για νέες χημικές συνθέσεις μπαταριών λιθίου. Αυτά τα μοντέλα χρησιμοποιούνται τώρα για να καθοδηγήσουν πειραματικές προσπάθειες ανάπτυξης ασφαλέστερων, πιο μακράς διάρκειας και πιο ενεργειακά πυκνών μπαταριών για ηλεκτρικά οχήματα και αποθήκευση στο δίκτυο.

#4. Σχεδίαση υψηλής εντροπίας κράματος: Μια ομάδα στο University of Maryland χρησιμοποίησε το OPTIMADE για να συνδυάσει δεδομένα από πολλαπλές υπολογιστικές και πειραματικές βάσεις δεδομένων, συμπεριλαμβανομένου του Materials Project, του OQMD και της Βάσης Δεδομένων Υψηλής Εντροπίας Κράματος (THEAD), ώστε να δημιουργήσει ένα σύνολο δεδομένων ιδιοτήτων υψηλής εντροπίας κραμάτων. Χρησιμοποίησαν αυτό το σύνολο για να εκπαιδεύσουν ένα μοντέλο μηχανικής μάθησης που προβλέπει τις ενέργειες σχηματισμού και τη φασική σταθερότητα νέων συνθέσεων υψηλής εντροπίας. Μπόρεσαν να φιλτράρουν χιλιάδες υποψήφιους και να βρουν τους πιο υποσχόμενους για πειραματική επικύρωση. Αυτή η εργασία βοηθά στην επιτάχυνση της ανάπτυξης επόμενης γενιάς υψηλής εντροπίας κραμάτων με εξαιρετική αντοχή, σκληρότητα και αντοχή στη διάβρωση για αεροδιαστημικές, αμυντικές και άλλες εφαρμογές.

Τώρα, ας δούμε ποιες εταιρείες μπορούν να ωφεληθούν περισσότερο από την καθιέρωση αυτών των προτύπων.

#1. Tesla (TSLA)

Η Tesla, Inc. (TSLA ) θα ωφεληθεί σημαντικά από την τυποποιημένη ανταλλαγή δεδομένων του OPTIMADE, η οποία θα ενισχύσει την ικανότητά της να αναπτύσσει καλύτερες τεχνολογίες μπαταριών και να βελτιστοποιεί υλικά στις διαδικασίες παραγωγής της. Αυτό θα βοηθήσει τη Tesla να δημιουργήσει μπαταρίες με υψηλότερη ενεργειακή πυκνότητα, μεγαλύτερο κύκλο ζωής και βελτιωμένα χαρακτηριστικά ασφαλείας, ενώ ταυτόχρονα μειώνει το κόστος και βελτιώνει τη βιωσιμότητα.

Οικονομικά, το 2023 η Tesla ανακοίνωσε έσοδα 96,8 δισεκατομμυρίων δολαρίων, αύξηση 19 % σε σχέση με το προηγούμενο έτος, δείχνοντας ισχυρή οικονομική ανάπτυξη και δυνατότητα για συνεχή καινοτομία.

#2. Intel Corporation (INTC)

Μια άλλη εταιρεία που θα ωφεληθεί σημαντικά από την τυποποιημένη ανταλλαγή δεδομένων του OPTIMADE είναι η Intel (INTC ) Corporation (INTC), ηγέτης στον τομέα της τεχνολογίας και των ημιαγωγών. Εκμεταλλευόμενη την AI και τα τυποποιημένα δεδομένα υλικών, η Intel μπορεί να ανακαλύψει και να σχεδιάσει νέα υλικά ημιαγωγών, οδηγώντας στην ανάπτυξη επεξεργαστών με καλύτερη απόδοση, υψηλότερη αποδοτικότητα και νέες λειτουργίες.

Αυτό θα βοηθήσει την Intel να διατηρήσει τη θέση της στην κορυφαία καινοτομία ημιαγωγών. Επιπλέον, η ενσωμάτωση δεδομένων από διάφορες βάσεις δεδομένων θα βελτιστοποιήσει τις διαδικασίες έρευνας και ανάπτυξης της Intel, επιτρέποντας μεγαλύτερη εστίαση στην καινοτομία και λιγότερη στην διαχείριση δεδομένων.

Σε οικονομικό επίπεδο, η Intel ανέφερε έσοδα 54,2 δισεκατομμυρίων δολαρίων το 2023, αντικατοπτρίζοντας τον σημαντικό ρόλο της στην βιομηχανία και το συνεχιζόμενο δυναμικό της για ανάπτυξη και εξέλιξη.

Το Μέλλον του OPTIMADE

Καθώς το OPTIMADE υιοθετείται όλο και περισσότερο, η κοινότητα της επιστήμης των υλικών εξερευνά νέους ορίζοντες ενσωμάτωσης δεδομένων και ανακάλυψης. Μία περιοχή ανάπτυξης είναι η ενσωμάτωση του OPTIMADE με άλλα πρότυπα δεδομένων και οντολογίες, όπως η Ευρωπαϊκή Οντολογία Μοντελοποίησης Υλικών (EMMO) και το Πλαίσιο Πληροφοριών Κρυσταλλογραφίας (CIF).

Η εναρμόνιση αυτών των διαφορετικών προτύπων και σημασιολογιών θα επιτρέψει στους ερευνητές να θέτουν ακόμη πιο ισχυρές και σύνθετες ερωτήσεις σε πολλαπλές πηγές δεδομένων, μήκη, χρονικές κλίμακες, και τομείς της επιστήμης των υλικών.

Μία άλλη περιοχή εστίασης για μελλοντική έρευνα είναι η ανάπτυξη πιο προχωρημένων και αυτοματοποιημένων εργαλείων ανάλυσης δεδομένων υλικών και μηχανικής μάθησης. Η άνοδος τεχνικών βαθιάς μάθησης όπως τα γραφήματα νευρωνικών δικτύων και οι αρχιτεκτονικές transformer υποδηλώνει την ανάγκη για τυποποιημένους και κλιμακώσιμους τρόπους αναπαράστασης και επεξεργασίας δεδομένων υλικών σε αυτά τα μοντέλα.

Το OPTIMADE βρίσκεται σε καλή θέση να παίξει κεντρικό ρόλο σε αυτόν τον χώρο, καθώς μπορεί να παρέχει ένα κοινό interface για πρόσβαση και ενσωμάτωση μεγάλων, ποικίλων συνόλων δεδομένων ιδιοτήτων και δομών υλικών. Όπως λέει ο Δρ. Matthias Scheffler, διευθυντής του Fritz Haber Institute και πρωτοπόρος στην υπολογιστική επιστήμη των υλικών:

«Το OPTIMADE δεν αφορά μόνο την καλύτερη προσβασιμότητα των δεδομένων, αλλά την ενεργοποίηση νέων παραδειγμάτων για την ανακάλυψη και σχεδίαση υλικών. Παρέχοντας μια βάση για δεδομενοκεντρική και AI-ενισχυμένη έρευνα υλικών, βοηθάμε να εισάγουμε μια νέα εποχή καινοτομίας και ανακάλυψης.»

Κοιτάζοντας πιο μακριά, υπάρχει επίσης ενδιαφέρον για τη χρήση του OPTIMADE ώστε να επιτραπούν πιο αποκεντρωμένα και συνεργατικά μοντέλα κοινής χρήσης δεδομένων και ανακάλυψης υλικών. Για παράδειγμα, ορισμένοι ερευνητές εξετάζουν τη χρήση blockchain για τη δημιουργία ασφαλών, κατανεμημένων δικτύων βάσεων δεδομένων OPTIMADE όπου τα δεδομένα μπορούν να μοιράζονται και να ερωτώνται μεταξύ πολλαπλών ιδρυμάτων και τομέων.

Άλλοι κοιτάζουν τη φεδερική μάθηση για την εκπαίδευση μοντέλων μηχανικής μάθησης σε αποκεντρωμένα σύνολα δεδομένων χωρίς την ανάγκη κεντρικοποίησης ή εναρμόνισης των δεδομένων. Επιτρέποντας σε ερευνητές σε εταιρείες όπως η Matgenix και η Data Science OÜ να συνεργάζονται και να μοιράζονται γνώσεις πέρα από τα θεσμικά όρια, ενώ διατηρούν τον έλεγχο των δικών δεδομένων και πνευματικών δικαιωμάτων, αυτές οι προσεγγίσεις θα μπορούσαν να επιταχύνουν τον ρυθμό της ανακάλυψης και καινοτομίας υλικών.

Click here to learn why artificial intelligence is a billion-dollar play for Cisco Systems. (CSCO )

Συμπερασματικές Σκέψεις

Η AI και οι τεχνικές βασισμένες σε δεδομένα στην επιστήμη των υλικών αλλάζουν τον τρόπο με τον οποίο ανακαλύπτουμε, σχεδιάζουμε και εφαρμόζουμε νέα υλικά. Αλλά για να πραγματοποιηθούν πλήρως αυτές οι προσεγγίσεις, χρειαζόμαστε μια ισχυρή, τυποποιημένη υποδομή για πρόσβαση και ενσωμάτωση δεδομένων από πολλαπλές πηγές και τομείς.

Το API OPTIMADE είναι ένας βασικός ενεργοποιητής γι’ αυτό, παρέχοντας μια κοινή γλώσσα και πρωτόκολλο για ερωτήματα και ανάκτηση δεδομένων υλικών σε μηχανικά αναγνώσιμο μορφότυπο. Μειώνοντας τα εμπόδια στην πρόσβαση και ενσωμάτωση δεδομένων, το OPTIMADE κάνει την έρευνα υλικών πιο δημοκρατική και επιταχύνει την καινοτομία.

Καθώς το OPTIMADE υιοθετείται όλο και περισσότερο και εμφανίζονται νέα εργαλεία και τεχνικές για την δεδομενοκεντρική ανακάλυψη υλικών, μπορούμε να περιμένουμε ακόμη περισσότερα στο μέλλον. Από νέα υλικά μπαταριών και υψηλών επιδόσεων κράματα μέχρι προσαρμοσμένα φάρμακα και λειτουργικά νανοϋλικά, οι δυνατότητες είναι απεριόριστες.

Αλλά για να το πραγματοποιήσουμε, χρειαζόμαστε συνεχή επένδυση και συνεργασία σε όλη την κοινότητα της επιστήμης των υλικών, καθώς και ανοιχτά δεδομένα, ανοιχτά πρότυπα και ανοιχτή επιστήμη. Μόνο συνεργαζόμενοι διαπλατειακά και θεσμικά όρια μπορούμε να ελπίζουμε να αξιοποιήσουμε πλήρως τη δύναμη της AI και της δεδομενοκεντρικής ανακάλυψης στην επιστήμη των υλικών.

Όπως λέει ο Δρ. Gerbrand Ceder, καθηγητής επιστήμης υλικών στο UC Berkeley και πρωτοπόρος στον υπολογιστικό σχεδιασμό υλικών,:

«Το μέλλον είναι φωτεινό, αλλά πρέπει να αλλάξουμε τον τρόπο σκέψης για τα δεδομένα και τη συνεργασία. Χρησιμοποιώντας ανοιχτά πρότυπα όπως το OPTIMADE και συνεργαζόμενοι ως κοινότητα για την ανταλλαγή γνώσης, μπορούμε να επιταχύνουμε την καινοτομία και να λύσουμε μερικά από τα μεγαλύτερα προβλήματα που αντιμετωπίζουμε σήμερα.»

Συνολικά, η υιοθέτηση προτύπων όπως το OPTIMADE θα επαναπροσδιορίσει την επιστήμη των υλικών, απλοποιώντας την ενσωμάτωση δεδομένων, ενισχύοντας τη συνεργασία και προωθώντας γρήγορη καινοτομία σε πολλούς κλάδους.

Click here to learn all about investing in artificial intelligence (AI).