Standardien asettaminen tekoälyn hyödyn maksimoimiseksi

Materiaalitiede muuttuu nopeasti tekoälyn (AI) ja koneoppimisen (ML) nousun myötä. Nämä työkalut muuttavat tapaa, jolla löydämme, suunnittelemme ja optimoimme uusia materiaaleja suurten haasteiden ratkaisemiseksi puhdas energia ja kestävä valmistus, kehittyvä elektroniikka ja biolääketiede.

Kuitenkin tekoälyn täysimääräinen hyödyntäminen materiaalitutkimuksessa vaatii muutakin kuin hienostuneita algoritmeja ja suuria datamääriä. Tarvitaan vahva, standardoitu infrastruktuuri, jonka avulla voidaan käyttää, jakaa ja integroida materiaalidataa eri lähteistä ja toimialoilta. Ilman standardeja tutkijat kohtaavat suuria esteitä tarkkojen, yleistettävien mallien kouluttamisessa ja tulosten saattamisessa todelliseen maailmaan.

Tässä tarkastelemme datastandardien merkitystä AI‑ohjautuvassa materiaalien löytämisessä, keskittyen uuteen Open Databases Integration for Materials Design (OPTIMADE) -aloitteeseen. Käsittelemme materiaalidatan vaihtamisen haasteita, OPTIMADE‑API:n ominaisuuksia ja etuja sekä konkreettisia esimerkkejä siitä, miten tämä standardi on jo muuttamassa materiaalitutkimusta. Lopuksi katsomme OPTIMADE:n tulevaisuutta ja mitä se voi merkitä innovaatiolle uusien materiaalien saralla.

Materiaalidatan vaihtamisen haasteet

Ymmärtääksesi datastandardien merkityksen materiaalitieteessä, sinun on ymmärrettävä ne haasteet, joita tutkijat kohtaavat datan hakemisessa ja integroinnissa eri lähteistä.

Materiaalidata on hajautunut pirstaleiseen tietokantamaailmaan, jossa jokaisella on oma tietomallinsa, API‑nsä ja käyttöprotokollansa. Tämä yhteentoimimattomuus on suuri este tutkijoille, jotka haluavat rakentaa koneoppimismalleja tai tehdä laajamittaista datakaivantaa.

Otetaan esimerkiksi materiaalitieteilijä, joka haluaa löytää uusia akkumateriaaleja. Ennustavan mallin kouluttamiseksi hänen täytyy kerätä tietoa laajasta valikoimasta tunnettuja akku-yhdisteitä, niiden kiteisrakenteita, elektrokemiallisia ominaisuuksia ja synteesiehtoja.

Kuitenkin nämä tiedot ovat todennäköisesti hajallaan useissa tietokannoissa, joilla jokaisella on oma tapa esittää ja tarjota tiedot.

Saadakseen relevantit tiedot tutkijan täytyy:

• Kirjoittaa räätälöityä koodia jokaisen tietokannan API:n kyselyyn
• Navigoida niiden uniikissa skeemassa
• Siivota ja yhdistää tulokset johdonmukaiseen muotoon.

Tämä on aikaa vievää, virhealtista ja vaatii teknistä asiantuntemusta, joka ei kuulu tutkijan ydinosaamiseen.

Tohtori Julia Ling, materiaalitieteen informatiikan tutkija Lawrence Berkeley National Laboratoryssa, on kokenut tämän itse. Hän sanoo:

“Työssäni minun täytyy usein integroida dataa useista tietokannoista rakentaakseni kattavia koulutusaineistoja koneoppimismalleilleni. Mutta standardoinnin puute näissä tietokannoissa on suuri ongelma. Voin käyttää viikkoja pelkästään datankäsittelyskriptien kirjoittamiseen ennen kuin pääsen edes aloittamaan mallieni kouluttamisen.”

Ongelmaa pahentaa se, että monet materiaalitietokannat ovat suljettuina yksittäisten tutkimusryhmien tai instituutioiden taakse, jolloin ulkopuoliset tutkijat eivät edes löydä, puhumattakaan pääsystä mahdollisesti arvokkaaseen dataan. Tämä näkyvyyden ja saavutettavuuden puute hidastaa tiedettä ja aiheuttaa turhaa työn toistoa.

Tohtori Bryce Meredig, Citrine Informaticsin perustaja ja Chief Science Officer, sanoo:

“Materiaalidatan nykytilanne on sekasorto. Se on hajallista, heterogeenista ja usein huonosti dokumentoitua. Tämä tekee datan tehokkaasta hyödyntämisestä, erityisesti koneoppimisen kannalta, käytännössä mahdotonta.”

Yhteisön standardien tarve

Näiden haasteiden voittamiseksi ja tekoälyn täysimääräiseksi hyödyntämiseksi materiaalitutkimuksessa yhteisön täytyy luoda yhteinen joukko standardeja ja protokollia datan vaihtoon. Näiden standardien tulee mahdollistaa tutkijoiden käyttää ja integroida dataa eri lähteistä johdonmukaisessa, koneen luettavassa muodossa ilman, että heidän täytyy navigoida jokaisen tietokannan monimutkaisuuksissa.

Nämä standardit on kehitettävä ja otettava käyttöön yhteisön avoinna ja yhteistyöhön perustuvana tavoin. Niitä ei voida pakottaa ylhäältä alas yksittäisen instituution tai tietokantapalveluntarjoajan toimesta. Niiden on syntyttävä konsensuksen ja iteroinnin prosessin kautta, johon osallistuvat laaja kirjo sidosryhmiä akateemisesta, teollisuudesta ja hallituksesta.

Hyödyt ovat selviä. Tarjoamalla yhteisen kielen ja kehyksen materiaalidatan vaihtoon, ne voivat vähentää esteitä datan saatavuudessa ja integroinnissa sekä antaa tutkijoille mahdollisuuden käyttää enemmän aikaa tieteeseen ja vähemmän data‑käsittelyyn. Lisäksi ne voivat mahdollistaa rikkaan ekosysteemin yhteensopivia työkaluja ja palveluita, jotka vaihtelevat datan visualisointi‑ ja analyysialustoista automatisoituihin löytöputkiin ja tietopohjiin.

Tohtori Kristin Persson, Materials Projectin johtaja Lawrence Berkeley National Laboratoryssa, sanoo, että yhteisön standardit ovat avain tekoälyn täysimääräiseen hyödyntämiseen materiaalitieteessä. Hän lisäsi:

“Sopimalla yhteisistä periaatteista ja protokollista datan vaihtoon voimme avata aivan uuden tason yhteistyölle ja innovaatiolle materiaalitutkimuksessa. Kyse ei ole vain datan helpommasta saatavuudesta, vaan myös uuden tieteen mahdollistamisesta, joka ennen oli mahdotonta.”

OPTIMADE:n nousu

Kun yhteisön standardien tarve materiaalidatan vaihtoon tuli selväksi, joukko johtavia materiaalitietokantoja ja ohjelmistotoimittajia kokoontui vuonna 2016 käynnistämään Open Databases Integration for Materials Design (OPTIMADE) -aloitteen.

OPTIMADE:n tavoitteena on kehittää yhteinen API‑spesifikaatio, jonka avulla voidaan kysellä ja hakea dataa materiaalitietokannoista standardoidussa, koneen luettavassa muodossa. Tarjoamalla yhden käyttöliittymän monille tietokannoille, OPTIMADE tekee tutkijoille helpommaksi käyttää ja integroida materiaalidataa työnkulkuunsa riippumatta siitä, mitä tietokantaa tai ohjelmistoa he käyttävät.

OPTIMADE‑spesifikaatio perustuu REST‑arkkitehtuuriin, käyttäen standardi‑HTTP‑protokollia ja JSON‑datamuotoja, jotta tietokannat ja asiakasohjelmat voivat kommunikoida. Se määrittelee joukon yhteisiä päätepisteitä ja kyselyparametreja, jotka tietokannat voivat toteuttaa paljastaakseen datansa standardoidussa, itsekuvaavassa muodossa.

Esimerkiksi asiakasohjelma voi lähettää yksinkertaisen HTTP‑GET‑pyynnön OPTIMADE‑yhteensopivalle tietokannalle, jossa kyselyparametrit ovat standardoidussa muodossa, etsiäkseen materiaaleja, jotka sisältävät rautaa ja happea.

Tietokantapalvelin sitten kääntää tämän oman kyselykieleensä, suorittaa haun ja palauttaa tulokset JSON‑muodossa. Asiakasohjelma voi sitten jäsentää ja käsitellä nämä tulokset käyttäen standardityökaluja ja -kirjastoja ilman, että sen tarvitsee tuntea taustalla olevaa tietokantaskeemaa tai toteutuksen yksityiskohtia.

OPTIMADE käytännössä

Vuodesta 2019 lähtien OPTIMADE on otettu käyttöön monissa materiaalitietokannoissa ja ohjelmistotyökaluissa.

Yksi esimerkki on Materials Project, suosittu tietokanta laskennallisista materiaalien ominaisuuksista, jonka ylläpitää Lawrence Berkeley National Laboratory. Vuonna 2020 Materials Project -tiimi toteutti OPTIMADE‑API:n, jotta käyttäjät voisivat käyttää sen laajaa datasettiä standardikyselyparametreilla ja -vastausmuodoilla.

Tohtori Shyam Dwaraknath, johtava tietokanta‑arkkitehti:

“Materials Projectin OPTIMADE‑API on ollut pelin muuttaja käyttäjillemme. Se on mahdollistanut kokonaisen ekosysteemin työkaluja ja integraatioita, jotka tekevät datan hakemisesta ja analysoinnista helpompaa kuin koskaan, Jupyter‑muistikirjoista ja verkkosovelluksista korkean läpimeno‑seurantaputkiin.”

NOMAD Archive, korkean läpimenon materiaalisimulaatioiden raakadatasta koostuva arkisto, on toinen varhainen OPTIMADE‑adoptoija. Julkaisemalla datansa OPTIMADE‑API:n kautta, NOMAD on mahdollistanut tutkijoille laajamittaisen datakaivannan ja koneoppimismallien kouluttamisen valtavalla laskennallisten ominaisuuksien datasetilla.

Tohtori Luca Ghiringhelli, Fritz Haber -instituutin ryhmänvetäjä ja materiaalitieteen AI‑harrastaja:

“Näemme todellisen kiinnostuksen nousun data‑pohjaiseen materiaalitutkimukseen, ja OPTIMADE näyttelee tässä keskeistä roolia. Tarjoamalla yhden käyttöliittymän useille tietokannoille se alhaisuttaa datan saatavuuden ja integroinnin esteitä sekä auttaa demokratisoimaan alaa.”

Käytännön sovellukset

OPTIMADE:n vaikutus on jo havaittavissa monilla materiaalitutkimuksen alueilla, akkujen ja uusiutuvan energian tutkimuksesta avaruustekniikkaan ja biolääketieteelliseen suunnitteluun. Tässä muutamia esimerkkejä siitä, miten tämä tapahtuu:

#1. Korkean suorituskyvyn termoelektriikan löytäminen: Northwestern Universityn tutkijat käyttivät OPTIMADE:a yhdistääkseen dataa useista laskennallisista tietokannoista, mukaan lukien Materials Project ja OQMD, kouluttaakseen koneoppimismallin, joka ennustaa uusien materiaalien termoelektrisiä ominaisuuksia. Tämän datasetin avulla he pystyivät löytämään useita uusia yhdisteitä, joilla on potentiaalisesti ennätyksellistä suorituskykyä, ja näitä valmistetaan ja testataan nyt.

#2. Korkean läpimenon 2D‑materiaalien seulonta: Tanskan Teknillisen yliopiston tiimi käytti OPTIMADE:a seulomaan yli 50 000 laskettua 2D‑materiaalia Computational 2D Materials Database (C2DB) -tietokannasta. Käyttämällä OPTIMADE‑suodattimia he pystyivät nopeasti löytämään materiaaleja, joilla on erityisiä ominaisuuksia, kuten korkea kantajamobiilisuus tai alhainen energiaraja, seuraavan sukupolven elektroniikkaa ja optoelektroniikkaa varten.

#3. Uusien akkumateriaalien nopea kehittäminen: MIT:n ja Stanfordin tutkijat rakensivat OPTIMADE:n avulla keskitetyn tietokannan akkumateriaalien ominaisuuksista, yhdistäen dataa Materials Projectista, OQMD:stä ja muista lähteistä. He kouluttivat sarjan koneoppimismalleja tällä datasetilla ennustaakseen keskeisiä suorituskykymittareita, kuten kapasiteettia ja syklauskykyä, uusille litium‑ioni‑akku‑kemioille. Näitä malleja käytetään nyt ohjaamaan kokeellisia pyrkimyksiä kehittää turvallisempia, pidempikestoisempia ja energiatehokkaampia akkuja sähköajoneuvoja ja verkko‑varastointia varten.

#4. Korkea‑entropia‑seosten suunnittelu: Marylandin yliopiston tiimi käytti OPTIMADE:a yhdistääkseen dataa useista laskennallisista ja kokeellisista tietokannoista, mukaan lukien Materials Project, OQMD ja High‑Entropy Alloys Database (THEAD), rakentaakseen datasetin korkea‑entropia‑seosten ominaisuuksista. He käyttivät tätä datasetia kouluttaakseen koneoppimismallin, joka ennustaa muodostumisenergiaa ja faasivakautta uusille korkea‑entropia‑seoskoostumuksille. He pystyivät seulomaan tuhansia ehdokkaita ja löytämään lupaavimmat kokeellisesti validoitavaksi. Tämä työ nopeuttaa seuraavan sukupolven korkea‑entropia‑seosten kehittämistä, joilla on poikkeuksellinen lujuus, sitkeys ja korroosionkestävyys avaruus-, puolustus- ja muilla aloilla.

Seuraavaksi tarkastelemme, mitkä yritykset voivat hyötyä eniten näiden standardien luomisesta.

#1. Tesla (TSLA)

Tesla, Inc. (TSLA ) hyötyy merkittävästi OPTIMADE:n standardoidusta datan vaihtamisesta, mikä parantaa sen kykyä kehittää parempia akkuteknologioita ja optimoida materiaaleja valmistusprosesseissaan. Tämä auttaa Teslää luomaan akkuja, joilla on suurempi energiateho, pidemmät käyttöiät ja paremmat turvallisuusominaisuudet, samalla kun kustannuksia ja ympäristövaikutuksia vähennetään.

Taloudellisesti tarkasteltuna Tesla raportoi vuonna 2023 liikevaihdoksi 96,8 miljardia $, mikä on 19 % kasvu edellisvuoteen verrattuna, osoittaen vahvan taloudellisen kasvun ja potentiaalin jatkokehitykselle.

#2. Intel Corporation (INTC)

Toinen yritys, joka hyötyy merkittävästi OPTIMADE:n standardoidusta datan vaihtamisesta, on Intel (INTC ) Corporation (INTC), joka on johtava teknologiassa ja puolijohde‑sektorilla. Hyödyntämällä tekoälyä ja standardoitua materiaalidataa Intel voi löytää ja suunnitella uusia puolijohdemateriaaleja, mikä johtaa parempiin, tehokkaampiin ja uusia toimintoja tarjoaviin siruihin.

Tämä auttaa Intelia säilyttämään asemansa puolijohde‑innovaation eturintamassa. Lisäksi datan integrointi eri tietokantojen välillä virtaviivaistaa Intelin tutkimus‑ ja kehitysprosesseja, jolloin enemmän aikaa voidaan käyttää innovointiin ja vähemmän datanhallintaan.

Taloudellisesta näkökulmasta Intel raportoi vuonna 2023 liikevaihdoksi 54,2 miljardia $, mikä heijastaa yrityksen merkittävää roolia alalla ja sen jatkuvaa kasvupotentiaalia.

OPTIMADE:n tulevaisuus

Kun OPTIMADE otetaan yhä laajemmin käyttöön, materiaalitieteen yhteisö tutkii uusia dataintegraation ja löytämisen rajoja. Yksi kehitysalue on OPTIMADE:n integrointi muihin datastandardeihin ja ontologioihin, kuten European Materials Modelling Ontology (EMMO) ja Crystallographic Information Framework (CIF).

Näiden erilaisten standardien ja semantiikan linjaaminen mahdollistaa tutkijoille entistä voimakkaampien ja monimutkaisempien kysymysten esittämisen useiden datalähteiden, pituuksien, aikaskaalausten  ja materiaalitieteen toimialojen välillä.

Toinen tulevaisuuden tutkimusalue on kehittyneempien ja automatisoitujen työkalujen kehittäminen materiaalidatan analysointiin ja koneoppimiseen. Syväoppimistekniikoiden, kuten graafineuroverkkojen ja transformer‑arkkitehtuurien, nousu vaatii sekä standardoituja että skaalautuvia tapoja esittää ja käsitellä materiaalidataa näissä malleissa.

OPTIMADE on hyvin asemoitu näyttelemään keskeistä roolia tässä kentässä, sillä se voi tarjota yhteisen käyttöliittymän suurten, monipuolisten materiaalien ominaisuuksien ja rakenteiden datasetien hakemiseen ja integrointiin. Kuten tohtori Matthias Scheffler, Fritz Haber -instituutin johtaja ja laskennallisen materiaalitieteen pioneeri, sanoo:

“OPTIMADE ei ole pelkästään datan saatavuuden parantamista, vaan se mahdollistaa uusia paradigmoja materiaalien löytämisessä ja suunnittelussa. Tarjoamalla perustan data‑pohjaiselle ja AI‑avusteiselle materiaalitutkimukselle, autamme tuomaan uuden innovaation ja löytöjen aikakauden.”

Katsottaessa pidemmälle tulevaisuuteen, on myös kiinnostusta käyttää OPTIMADE:a mahdollistamaan hajautetumpia ja yhteistyöhön perustuvia datan jakamisen ja materiaalien löytämisen malleja. Esimerkiksi jotkut tutkijat tutkivat lohkoketjun käyttöä luodakseen turvallisia, hajautettuja OPTIMADE‑tietokantaverkkoja, joissa dataa voidaan jakaa ja kysellä useiden instituutioiden ja toimialojen välillä.

Toiset tarkastelevat federatiivista oppimista, jonka avulla koneoppimismalleja voidaan kouluttaa hajautetuista datasetistä ilman, että dataa tarvitsee keskittää tai yhdenmukaistaa. Antamalla yrityksille, kuten Matgenixille ja Data Science OÜ:lle, mahdollisuuden tehdä yhteistyötä ja jakaa oivalluksia instituutioiden rajojen yli samalla kun ne hallitsevat omaa dataansa ja immateriaalioikeuksiaan, nämä lähestymistavat voisivat nopeuttaa materiaalien löytämisen ja innovaation tahtia.

Klikkaa tästä oppiaksesi, miksi tekoäly on miljardin dollarin pelisuhde Cisco Systemsille.

Lopulliset ajatukset

Tekoäly ja data‑pohjaiset tekniikat materiaalitieteessä muuttavat tapaa, jolla löydämme, suunnittelemme ja otamme käyttöön uusia materiaaleja. Mutta näiden lähestymistapojen täyteen toteutumiseen tarvitsemme vahvan, standardoidun infrastruktuurin, jonka avulla dataa voidaan käyttää ja integroida useista lähteistä ja toimialoista. (CSCO )

OPTIMADE‑API on keskeinen mahdollistaja tässä tarjoamalla yhteisen kielen ja protokollan materiaalidatan kyselyyn ja hakemiseen koneen luettavassa muodossa. Vähentämällä esteitä datan saatavuudessa ja integroinnissa, OPTIMADE tekee materiaalitutkimuksesta demokraattisempaa ja nopeuttaa innovaatiota.

Kun OPTIMADE otetaan yhä laajemmin käyttöön ja uusia työkaluja sekä tekniikoita data‑pohjaiseen materiaalien löytämiseen syntyy, voimme odottaa entistä enemmän tulevaisuudessa. Uusista akkumateriaaleista ja korkean suorituskyvyn seoksista räätälöityihin lääkkeisiin ja toimiviin nanomateriaaleihin mahdollisuudet ovat loputtomat.

Mutta tämän toteuttamiseksi tarvitsemme jatkuvaa investointia ja yhteistyötä materiaalitieteen yhteisössä, sekä avointa dataa, avoimia standardeja ja avointa tiedettä. Vain tekemällä yhteistyötä eri tieteenalojen ja instituutioiden välillä voimme vapauttaa tekoälyn ja data‑pohjaisen  löytämisen täyden potentiaalin materiaalitieteessä.

Kuten tohtori Gerbrand Ceder, UC Berkeleyn materiaalitieteen professori ja laskennallisen materiaalisuunnittelun pioneeri, sanoo:

“Tulevaisuus on valoisa, mutta meidän on muutettava tapa, jolla ajattelemme dataa ja yhteistyötä. Käyttämällä avoimia standardeja kuten OPTIMADE ja tekemällä yhteistyötä yhteisönä tiedon jakamiseksi, voimme nopeuttaa innovaatiota ja ratkaista suurimpia tänään kohtaamiamme ongelmia.”

Kaiken kaikkiaan standardien, kuten OPTIMADE:n, omaksuminen mullistaa materiaalitieteen virtaviivaistamalla dataintegraatiota, tehostamalla yhteistyötä ja vauhdittaen nopeaa innovaatiota useilla toimialoilla.

Klikkaa tästä oppiaksesi kaiken tekoälyyn (AI) sijoittamisesta.