Membangun Standar untuk Memaksimalkan Manfaat Kecerdasan Buatan

Ilmu material berubah dengan cepat seiring munculnya kecerdasan buatan (AI) dan pembelajaran mesin (ML). Alat‑alat ini mengubah cara kita menemukan, merancang, dan mengoptimalkan material baru untuk mengatasi tantangan besar dalam energi bersih dan manufaktur berkelanjutan, elektronik canggih, serta biomedis.

Namun, memanfaatkan AI secara maksimal dalam penelitian material memerlukan lebih dari sekadar algoritma canggih dan data besar. Diperlukan infrastruktur standar yang kuat untuk mengakses, berbagi, dan mengintegrasikan data material dari berbagai sumber dan domain. Tanpa standar, peneliti menghadapi hambatan besar dalam melatih model yang akurat, dapat digeneralisasi, dan menerapkan hasil mereka ke dunia nyata.

Di sini, kami akan melihat pentingnya standar data untuk penemuan material berbasis AI, dengan fokus pada inisiatif baru Open Databases Integration for Materials Design (OPTIMADE). Kami akan membahas tantangan pertukaran data material, fitur dan manfaat API OPTIMADE, serta contoh dunia nyata bagaimana standar ini sudah mengubah penelitian material. Akhirnya, kami akan meninjau masa depan OPTIMADE dan apa artinya bagi inovasi material baru.

Tantangan Pertukaran Data Material

Untuk memahami pentingnya standar data dalam ilmu material, Anda perlu memahami tantangan yang dihadapi peneliti dalam mengakses dan mengintegrasikan data dari berbagai sumber.

Data material tersebar di lanskap terfragmentasi basis data, masing‑masing dengan skema data, API, dan protokol aksesnya sendiri. Kurangnya interoperabilitas ini menjadi hambatan besar bagi peneliti yang ingin membangun model pembelajaran mesin atau melakukan penambangan data berskala besar.

Ambil contoh seorang ilmuwan material yang ingin menemukan material baterai baru. Untuk melatih model prediktif, mereka harus mengumpulkan data tentang berbagai senyawa baterai yang diketahui, struktur kristalnya, properti elektrokimia, dan kondisi sintesis.

Namun, data tersebut kemungkinan tersebar di beberapa basis data, masing‑masing dengan cara mereka sendiri dalam merepresentasikan dan menyajikan informasi.

Untuk mendapatkan data yang relevan, peneliti harus:

• Menulis kode khusus untuk meng‑query API tiap basis data
• Menavigasi skema unik masing‑masing
• Membersihkan dan menggabungkan hasil ke dalam format yang konsisten.

Hal ini memakan waktu, rawan kesalahan, dan memerlukan keahlian teknis di luar domain inti peneliti.

Dr Julia Ling, ilmuwan informatik material di Lawrence Berkeley National Laboratory, telah mengalami hal ini secara langsung. Ia berkata:

“Dalam pekerjaan saya, saya sering harus mengintegrasikan data dari banyak basis data untuk membangun set pelatihan yang komprehensif bagi model pembelajaran mesin saya. Namun kurangnya standar di antara basis‑basis data ini menjadi masalah besar. Saya dapat menghabiskan minggu‑minggu hanya menulis skrip pemrosesan data sebelum saya bahkan dapat mulai melatih model.”

Masalah ini diperparah oleh fakta bahwa banyak basis data material terkunci dalam kelompok riset atau institusi tertentu, sehingga peneliti luar bahkan tidak dapat menemukan, apalagi mengakses data yang berpotensi berharga. Kurangnya visibilitas dan aksesibilitas ini menahan kemajuan ilmu pengetahuan dan menyebabkan duplikasi upaya yang tidak perlu.

Dr. Bryce Meredig, co‑founder dan Chief Science Officer di Citrine Informatics, mengatakan:

“Keadaan data material saat ini berantakan. Data tersebar, heterogen, dan seringkali terdokumentasi dengan buruk. Hal ini membuatnya tidak mungkin untuk menggunakan data tersebut secara efektif, terutama untuk pembelajaran mesin.”

Kebutuhan akan Standar Komunitas

Untuk mengatasi tantangan ini dan memaksimalkan AI dalam penelitian material, komunitas memerlukan seperangkat standar dan protokol pertukaran data yang umum. Standar ini harus memungkinkan peneliti mengakses dan mengintegrasikan data dari berbagai sumber dalam format yang konsisten, dapat dibaca mesin tanpa harus menavigasi kompleksitas tiap basis data secara individual.

Standar‑standar ini harus dikembangkan dan diadopsi oleh komunitas secara terbuka dan kolaboratif. Mereka tidak dapat dipaksakan secara top‑down oleh satu institusi atau penyedia basis data. Standar harus muncul melalui proses konsensus dan iterasi dengan masukan dari beragam pemangku kepentingan di akademisi, industri, dan pemerintah.

Manfaatnya jelas. Dengan menyediakan bahasa dan kerangka kerja bersama untuk pertukaran data material, hambatan akses dan integrasi data dapat dikurangi, memungkinkan peneliti menghabiskan lebih banyak waktu untuk ilmu pengetahuan dan lebih sedikit untuk mengolah data. Selain itu, standar dapat memungkinkan ekosistem alat dan layanan yang dapat berinteroperasi, mulai dari platform visualisasi dan analisis data hingga pipeline penemuan otomatis dan basis pengetahuan.

Dr Kristin Persson, direktur Materials Project di Lawrence Berkeley National Laboratory, mengatakan standar komunitas adalah kunci untuk memaksimalkan AI dalam ilmu material. Ia menambahkan:

“Dengan menyepakati seperangkat prinsip dan protokol pertukaran data yang umum, kita dapat membuka tingkat kolaborasi dan inovasi baru dalam penelitian material. Ini bukan hanya tentang membuat data lebih mudah diakses, tetapi juga tentang memungkinkan ilmu baru yang sebelumnya tidak mungkin.”

Kebangkitan OPTIMADE

Menyadari kebutuhan akan standar komunitas dalam pertukaran data material, sekelompok basis data material terkemuka dan penyedia perangkat lunak bersatu pada tahun 2016 untuk meluncurkan inisiatif Open Databases Integration for Materials Design (OPTIMADE).

Tujuan OPTIMADE adalah mengembangkan spesifikasi API umum untuk melakukan query dan mengambil data dari basis data material dalam format standar yang dapat dibaca mesin. Dengan menyediakan antarmuka tunggal ke banyak basis data, OPTIMADE akan mempermudah peneliti mengakses dan mengintegrasikan data material ke dalam alur kerja mereka terlepas dari basis data atau perangkat lunak yang digunakan.

Spesifikasi OPTIMADE didasarkan pada desain web RESTful menggunakan protokol HTTP standar dan format data JSON untuk memungkinkan komunikasi antara basis data dan aplikasi klien. Ia mendefinisikan sekumpulan endpoint dan parameter query umum yang dapat diimplementasikan basis data untuk mengekspose data mereka secara standar dan self‑describing.

Sebagai contoh, sebuah aplikasi klien dapat mengirim permintaan HTTP GET sederhana ke basis data yang mematuhi OPTIMADE dengan parameter query dalam format standar untuk mencari material yang mengandung besi dan oksigen.

Server basis data kemudian menerjemahkan permintaan tersebut ke dalam bahasa query miliknya, mengeksekusi pencarian, dan mengembalikan hasil dalam format JSON. Aplikasi klien kemudian dapat mengurai dan memproses hasil tersebut menggunakan alat dan pustaka standar tanpa harus mengetahui skema atau detail implementasi basis data yang mendasarinya.

OPTIMADE dalam Praktik

Sejak 2019, OPTIMADE telah diadopsi oleh banyak basis data material dan alat perangkat lunak.

Salah satu contoh adalah Materials Project, basis data populer tentang properti material terhitung yang dikelola oleh Lawrence Berkeley National Laboratory. Pada tahun 2020, tim Materials Project mengimplementasikan API OPTIMADE sehingga pengguna dapat mengakses dataset besar mereka menggunakan parameter query dan format respons standar.

Menurut Dr Shyam Dwaraknath, arsitek utama basis data:

“API OPTIMADE milik Materials Project telah menjadi pengubah permainan bagi pengguna kami. Ini memungkinkan ekosistem alat dan integrasi baru yang mempermudah akses dan analisis data kami dari notebook Jupyter dan aplikasi web hingga pipeline penyaringan throughput tinggi.”

NOMAD Archive, repositori data mentah dari simulasi material throughput tinggi, merupakan adopter awal lain dari OPTIMADE. Dengan mengekspos data mereka melalui API OPTIMADE, NOMAD memungkinkan peneliti melakukan penambangan data berskala besar dan melatih model pembelajaran mesin pada dataset properti terhitung yang sangat besar.

Menurut Dr Luca Ghiringhelli, pemimpin grup di Fritz Haber Institute dan antusias AI dalam ilmu material:

“Kami melihat lonjakan minat yang nyata dalam penelitian material berbasis data, dan OPTIMADE memainkan peran kunci dalam hal ini. Dengan menyediakan antarmuka tunggal ke banyak basis data, ia menurunkan hambatan akses dan integrasi data serta membantu mendemokratisasi bidang ini.”

Aplikasi Dunia Nyata

Dampak OPTIMADE sudah terlihat di banyak bidang penelitian material, mulai dari baterai dan energi terbarukan hingga dirgantara dan rekayasa biomedis. Berikut beberapa contoh bagaimana hal ini terjadi:

#1. Menemukan termoelektrik berperforma tinggi: Peneliti di Northwestern University menggunakan OPTIMADE untuk menggabungkan data dari beberapa basis data komputasi, termasuk Materials Project dan OQMD, guna melatih model pembelajaran mesin yang memprediksi properti termoelektrik material baru. Dengan dataset ini, mereka berhasil menemukan beberapa senyawa baru dengan potensi performa rekor, yang kini sedang disintesis dan diuji.

#2. Penyaringan throughput tinggi material 2D: Tim di Technical University of Denmark menggunakan OPTIMADE untuk menyaring lebih dari 50.000 material 2D terhitung dari Computational 2D Materials Database (C2DB). Dengan melakukan query basis data menggunakan filter OPTIMADE, mereka dapat dengan cepat menemukan material dengan properti spesifik, seperti mobilitas pembawa tinggi atau celah pita rendah, untuk elektronik dan optoelektronik generasi berikutnya.

#3. Pengembangan cepat material baterai baru: Peneliti di MIT dan Stanford University menggunakan OPTIMADE untuk membangun basis data terpusat properti material baterai, menggabungkan data dari Materials Project, OQMD, dan sumber lain. Mereka melatih serangkaian model pembelajaran mesin pada dataset ini untuk memprediksi metrik kinerja kunci, seperti kapasitas dan siklikabilitas, bagi kimia baterai litium‑ion baru. Model‑model ini kini digunakan untuk membimbing upaya eksperimental dalam mengembangkan baterai yang lebih aman, lebih tahan lama, dan lebih padat energi untuk kendaraan listrik dan penyimpanan jaringan.

#4. Desain paduan entropi tinggi: Tim di University of Maryland menggunakan OPTIMADE untuk menggabungkan data dari beberapa basis data komputasi dan eksperimental, termasuk Materials Project, OQMD, dan High‑Entropy Alloys Database (THEAD), guna membangun dataset properti paduan entropi tinggi. Mereka menggunakan dataset ini untuk melatih model pembelajaran mesin yang memprediksi energi pembentukan dan stabilitas fase komposisi paduan entropi tinggi baru. Mereka berhasil menyaring ribuan kandidat dan menemukan yang paling menjanjikan untuk divalidasi secara eksperimental. Pekerjaan ini membantu mempercepat pengembangan paduan entropi tinggi generasi berikutnya dengan kekuatan, ketangguhan, dan ketahanan korosi luar biasa untuk dirgantara, pertahanan, dan sektor lainnya.

Sekarang, mari lihat perusahaan mana yang paling diuntungkan dari penetapan standar ini.

#1. Tesla (TSLA)

Tesla, Inc. (TSLA ) akan sangat diuntungkan dari pertukaran data standar OPTIMADE, yang akan meningkatkan kemampuannya mengembangkan teknologi baterai yang lebih baik dan mengoptimalkan material dalam proses manufakturnya. Hal ini akan membantu Tesla menciptakan baterai dengan densitas energi lebih tinggi, siklus hidup lebih panjang, dan fitur keamanan yang lebih baik sekaligus mengurangi biaya dan meningkatkan keberlanjutan.

Dari segi keuangan, pada tahun 2023 Tesla melaporkan pendapatan sebesar $96,8 miliar, meningkat 19% dibandingkan tahun sebelumnya, menunjukkan pertumbuhan keuangan yang kuat dan potensi inovasi yang berkelanjutan.

#2. Intel Corporation (INTC)

Perusahaan lain yang akan sangat diuntungkan dari pertukaran data standar OPTIMADE adalah Intel (INTC ) Corporation (INTC), pemimpin di sektor teknologi dan semikonduktor. Dengan memanfaatkan AI dan data material standar, Intel dapat menemukan dan merancang material semikonduktor baru, yang mengarah pada pengembangan chip dengan performa lebih baik, efisiensi lebih tinggi, dan fungsionalitas baru.

Hal ini akan membantu Intel mempertahankan posisinya di garis depan inovasi semikonduktor. Lebih jauh lagi, integrasi data lintas berbagai basis data akan menyederhanakan proses riset dan pengembangan Intel, memungkinkan fokus lebih pada inovasi dan mengurangi beban manajemen data.

Dari sisi keuangan, Intel melaporkan pendapatan sebesar $54,2 miliar pada tahun 2023, mencerminkan peran signifikan perusahaan dalam industri serta potensi pertumbuhan dan pengembangan yang berkelanjutan.

Masa Depan OPTIMADE

Seiring OPTIMADE semakin diadopsi, komunitas ilmu material sedang menjelajahi frontier baru dalam integrasi data dan penemuan. Salah satu area pengembangan adalah integrasi OPTIMADE dengan standar data dan ontologi lain, seperti European Materials Modelling Ontology (EMMO) dan Crystallographic Information Framework (CIF).

Menyelaraskan standar dan semantik yang berbeda ini akan memungkinkan peneliti mengajukan pertanyaan yang lebih kuat dan kompleks lintas banyak sumber data, skala, rentang waktu, dan domain ilmu material.

Area fokus lain untuk riset masa depan adalah pengembangan alat yang lebih maju dan otomatis untuk analisis data material serta pembelajaran mesin. Kebangkitan teknik deep learning seperti graph neural networks dan arsitektur transformer menandakan kebutuhan akan cara representasi dan pemrosesan data material yang standar serta skalabel dalam model‑model tersebut.

OPTIMADE berposisi baik untuk memainkan peran kunci di ruang ini karena dapat menyediakan antarmuka umum untuk mengakses dan mengintegrasikan dataset besar dan beragam properti serta struktur material. Seperti yang dikatakan Dr. Matthias Scheffler, direktur Fritz Haber Institute dan pionir dalam ilmu material komputasi:

“OPTIMADE bukan hanya tentang membuat data lebih mudah diakses, melainkan tentang memungkinkan paradigma baru untuk penemuan dan perancangan material. Dengan menyediakan fondasi bagi penelitian material yang didorong data dan AI, kami membantu memulai era inovasi dan penemuan baru.”

Melihat lebih jauh ke depan, ada juga minat untuk menggunakan OPTIMADE dalam model berbagi data dan penemuan material yang lebih terdesentralisasi dan kolaboratif. Misalnya, beberapa peneliti mengeksplorasi penggunaan blockchain untuk menciptakan jaringan terdistribusi basis data OPTIMADE yang aman, di mana data dapat dibagikan dan di‑query lintas banyak institusi dan domain.

Lainnya meneliti federated learning untuk melatih model pembelajaran mesin pada dataset terdesentralisasi tanpa perlu mengkonsolidasikan atau menyelaraskan data. Dengan memungkinkan peneliti di perusahaan seperti Matgenix dan Data Science OÜ berkolaborasi serta berbagi wawasan melintasi batas institusi sambil tetap mengontrol data dan IP mereka, pendekatan ini dapat mempercepat laju penemuan dan inovasi material.

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

Pemikiran Penutup

AI dan teknik berbasis data dalam ilmu material mengubah cara kita menemukan, merancang, dan menerapkan material baru. Namun untuk mewujudkan pendekatan ini sepenuhnya, kita memerlukan infrastruktur standar yang kuat untuk mengakses dan mengintegrasikan data lintas banyak sumber dan domain.

API OPTIMADE adalah penggerak utama untuk ini dengan menyediakan bahasa dan protokol umum untuk melakukan query dan mengambil data material dalam format yang dapat dibaca mesin. Dengan mengurangi hambatan akses dan integrasi data, OPTIMADE membuat penelitian material lebih demokratis dan mempercepat inovasi.

Seiring OPTIMADE semakin diadopsi dan alat serta teknik baru untuk penemuan material berbasis data muncul, kita dapat mengharapkan lebih banyak lagi di masa depan. Dari material baterai baru dan paduan berperforma tinggi hingga obat yang dipersonalisasi dan nanomaterial fungsional, kemungkinannya tak terbatas.

Namun untuk mewujudkannya, diperlukan investasi berkelanjutan dan kolaborasi lintas komunitas ilmu material, serta data terbuka, standar terbuka, dan ilmu terbuka. Hanya dengan bekerja bersama melintasi batas disiplin dan institusi kita dapat melepaskan potensi penuh AI dan penemuan berbasis data dalam ilmu material.

Seperti yang dikatakan Dr. Gerbrand Ceder, profesor ilmu material di UC Berkeley dan pionir desain material komputasi:

“Masa depannya cerah, tetapi kita perlu mengubah cara berpikir tentang data dan kolaborasi. Dengan menggunakan standar terbuka seperti OPTIMADE dan bekerja bersama sebagai komunitas untuk berbagi pengetahuan, kita dapat mempercepat inovasi dan menyelesaikan beberapa masalah terbesar yang kita hadapi saat ini.”

Secara keseluruhan, adopsi standar seperti OPTIMADE akan merevolusi ilmu material dengan menyederhanakan integrasi data, meningkatkan kolaborasi, dan mendorong inovasi cepat di berbagai industri.

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