Ciência dos materiais
Estabelecendo Padrões para Maximizar o Benefício da Inteligência Artificial
Adicione Securities.io às suas fontes preferidas no Google
A ciência dos materiais está mudando rapidamente com o surgimento da inteligência artificial (IA) e do aprendizado de máquina (ML). Essas ferramentas estão transformando como descobrimos, projetamos e otimizamos novos materiais para enfrentar os grandes desafios em energia limpa e fabricação sustentável, eletrônica avançada e biomedicina.
No entanto, obter o máximo da IA na pesquisa de materiais requer mais do que algoritmos sofisticados e grandes volumes de dados. É necessária uma infraestrutura robusta e padronizada para acessar, compartilhar e integrar dados de materiais de diferentes fontes e domínios. Sem padrões, os pesquisadores enfrentam grandes barreiras para treinar modelos precisos e generalizáveis e levar seus resultados ao mundo real.
Aqui, analisaremos a importância dos padrões de dados para a descoberta de materiais impulsionada por IA, com foco na nova Open Databases Integration for Materials Design (OPTIMADE) iniciativa. Cobriremos os desafios da troca de dados de materiais, os recursos e benefícios da API OPTIMADE, e exemplos reais de como esse padrão já está mudando a pesquisa de materiais. Por fim, veremos o futuro do OPTIMADE e o que isso pode significar para a inovação em novos materiais.
Os Desafios da Troca de Dados de Materiais
Para entender a importância dos padrões de dados na ciência dos materiais, é preciso compreender os desafios que os pesquisadores enfrentam ao acessar e integrar dados de diferentes fontes.
Os dados de materiais estão espalhados por um cenário fragmentado de bancos de dados, cada um com seu próprio esquema de dados, API e protocolos de acesso. Essa falta de interoperabilidade é uma grande barreira para pesquisadores que desejam construir modelos de aprendizado de máquina ou realizar mineração de dados em larga escala.
Considere, por exemplo, um cientista de materiais que deseja descobrir novos materiais para baterias. Para treinar um modelo preditivo, ele precisaria reunir dados sobre uma ampla gama de compostos de bateria conhecidos, suas estruturas cristalinas, propriedades eletroquímicas e condições de síntese.
Entretanto, esses dados provavelmente estão distribuídos em múltiplos bancos de dados, cada um com sua própria forma de representar e servir a informação.
Para obter os dados relevantes, o pesquisador precisaria:
- Escrever código personalizado para consultar a API de cada banco de dados
- Navegar em seu esquema único
- Limpar e mesclar os resultados em um formato consistente.
Isso é demorado, propenso a erros e requer expertise técnico fora do domínio principal do pesquisador.
A Dra. Julia Ling, cientista de informática de materiais no Lawrence Berkeley National Laboratory, vivenciou isso em primeira mão. Ela diz:
“No meu trabalho, frequentemente preciso integrar dados de múltiplos bancos de dados para construir conjuntos de treinamento abrangentes para meus modelos de aprendizado de máquina. Mas a falta de padronização entre esses bancos de dados é um grande problema. Posso passar semanas apenas escrevendo scripts de processamento de dados antes de conseguir iniciar o treinamento dos meus modelos.”
O problema é agravado pelo fato de que muitos bancos de dados de materiais estão trancados em grupos de pesquisa ou instituições individuais, de modo que pesquisadores externos nem conseguem encontrar, muito menos acessar dados potencialmente valiosos. Essa falta de visibilidade e acessibilidade está atrasando a ciência e causando duplicação desnecessária de esforços.
O Dr. Bryce Meredig, cofundador e Diretor Científico da Citrine Informatics, diz:
“O estado atual dos dados de materiais é um caos. Eles estão espalhados, heterogêneos e frequentemente mal documentados. Isso torna impossível usar esses dados de forma eficaz, especialmente para aprendizado de máquina.”
A Necessidade de Padrões Comunitários
Para superar esses desafios e obter o máximo da IA na pesquisa de materiais, a comunidade precisa de um conjunto comum de padrões e protocolos para troca de dados. Esses padrões devem permitir que os pesquisadores acessem e integrem dados de diferentes fontes em um formato consistente, legível por máquina, sem ter que navegar nas complexidades de cada banco de dados individual.
Esses padrões devem ser desenvolvidos e adotados pela comunidade de forma aberta e colaborativa. Eles não podem ser impostos de cima para baixo por qualquer instituição ou provedor de banco de dados. Devem emergir de um processo de consenso e iteração com contribuição de uma ampla gama de partes interessadas da academia, indústria e governo.
Os benefícios são claros. Ao fornecer uma linguagem e estrutura comuns para a troca de dados de materiais, eles podem reduzir as barreiras ao acesso e integração de dados e permitir que os pesquisadores dediquem mais tempo à ciência e menos tempo à manipulação de dados. Além disso, podem possibilitar um ecossistema rico de ferramentas e serviços interoperáveis, que vão desde plataformas de visualização e análise de dados até pipelines automatizados de descoberta e bases de conhecimento.
A Dra. Kristin Persson, diretora do Materials Project no Lawrence Berkeley National Laboratory, afirma que os padrões comunitários são essenciais para extrair o máximo da IA na ciência dos materiais. Ela acrescenta:
“Ao concordarmos com um conjunto comum de princípios e protocolos para troca de dados, podemos abrir um novo nível de colaboração e inovação na pesquisa de materiais. Não se trata apenas de tornar os dados mais acessíveis, mas de possibilitar novas ciências que eram impossíveis antes.”
A Ascensão do OPTIMADE
Ao perceber a necessidade de padrões comunitários na troca de dados de materiais, um grupo de principais bancos de dados e provedores de software se reuniu em 2016 para lançar a iniciativa Open Databases Integration for Materials Design (OPTIMADE).
O objetivo do OPTIMADE é desenvolver uma especificação de API comum para consultar e recuperar dados de bancos de dados de materiais em um formato padronizado e legível por máquina. Ao fornecer uma interface única para muitos bancos de dados, o OPTIMADE facilitará o acesso e a integração de dados de materiais nos fluxos de trabalho dos pesquisadores, independentemente do banco de dados ou software que estejam usando.
A especificação do OPTIMADE baseia-se em design RESTful usando protocolos HTTP padrão e formatos de dados JSON para permitir comunicação entre bancos de dados e aplicações cliente. Ela define um conjunto de endpoints e parâmetros de consulta comuns que os bancos de dados podem implementar para expor seus dados de forma padronizada e auto‑descritiva.
Por exemplo, uma aplicação cliente pode enviar uma simples requisição HTTP GET a um banco de dados compatível com OPTIMADE com os parâmetros de consulta em formato padronizado para buscar materiais que contenham ferro e oxigênio.
O servidor do banco de dados então traduz isso para sua própria linguagem de consulta, executa a busca e devolve os resultados em JSON. A aplicação cliente pode então analisar e processar esses resultados usando ferramentas e bibliotecas padrão, sem precisar conhecer o esquema ou detalhes de implementação do banco de dados subjacente.
OPTIMADE em Ação
Desde 2019, o OPTIMADE tem sido adotado por muitos bancos de dados de materiais e ferramentas de software.
Um exemplo é o Materials Project, um banco de dados popular de propriedades de materiais calculadas hospedado pelo Lawrence Berkeley National Laboratory. Em 2020, a equipe do Materials Project implementou uma API OPTIMADE para que os usuários pudessem acessar seu vasto conjunto de dados usando parâmetros de consulta e formatos de resposta padrão.
De acordo com o Dr. Shyam Dwaraknath, arquiteto‑líder do banco de dados:
“A API OPTIMADE do Materials Project tem sido um divisor de águas para nossos usuários. Ela possibilitou um ecossistema inteiro de ferramentas e integrações que tornam mais fácil do que nunca acessar e analisar nossos dados a partir de notebooks Jupyter e aplicações web até pipelines de triagem de alta produtividade.”
O Arquivo NOMAD, um repositório de dados brutos de simulações de materiais em alta taxa, é outro adotante precoce do OPTIMADE. Ao expor seus dados por meio de uma API OPTIMADE, o NOMAD permitiu que pesquisadores realizassem mineração de dados em larga escala e treinassem modelos de aprendizado de máquina em um enorme conjunto de propriedades calculadas.
Segundo o Dr. Luca Ghiringhelli, líder de grupo no Fritz Haber Institute e entusiasta de IA na ciência dos materiais:
“Estamos vendo um verdadeiro aumento de interesse na pesquisa de materiais orientada por dados, e o OPTIMADE está desempenhando um papel fundamental nisso. Ao fornecer uma interface única para múltiplos bancos de dados, ele está reduzindo as barreiras ao acesso e integração de dados e ajudando a democratizar o campo.”
Aplicações no Mundo Real
O impacto do OPTIMADE já está sendo visto em diversas áreas de pesquisa de materiais, desde baterias e energia renovável até aeroespacial e engenharia biomédica. Aqui estão alguns exemplos de como isso está acontecendo:
#1. Encontrando termelétricos de alto desempenho: Pesquisadores da Northwestern University usaram o OPTIMADE para combinar dados de múltiplos bancos de dados computacionais, incluindo o Materials Project e o OQMD, a fim de treinar um modelo de aprendizado de máquina para prever as propriedades termelétricas de novos materiais. Usando esse conjunto de dados, eles conseguiram encontrar vários novos compostos com desempenho potencialmente recorde, que agora estão sendo sintetizados e testados.
#2. Triagem de alta produtividade de materiais 2D: Uma equipe da Technical University of Denmark usou o OPTIMADE para triagem de mais de 50.000 materiais 2D computados do Computational 2D Materials Database (C2DB). Ao consultar o banco de dados usando filtros OPTIMADE, eles puderam encontrar rapidamente materiais com propriedades específicas, como alta mobilidade de portadores ou baixa banda proibida, para eletrônica e optoeletrônica de próxima geração.
#3. O desenvolvimento rápido de novos materiais para baterias: Pesquisadores do MIT e da Stanford University usaram o OPTIMADE para construir um banco de dados centralizado de propriedades de materiais de baterias, combinando dados do Materials Project, OQMD e outras fontes. Eles treinaram uma série de modelos de aprendizado de máquina nesse conjunto de dados para prever métricas de desempenho chave, como capacidade e ciclagem, para novas químicas de baterias de íon‑lítio. Esses modelos agora estão sendo usados para orientar esforços experimentais visando desenvolver baterias mais seguras, duráveis e com maior densidade de energia para veículos elétricos e armazenamento em rede.
#4. Projeto de ligas de alta entropia: Uma equipe da University of Maryland usou o OPTIMADE para combinar dados de múltiplos bancos de dados computacionais e experimentais, incluindo o Materials Project, OQMD e o High‑Entropy Alloys Database (THEAD), a fim de construir um conjunto de dados de propriedades de ligas de alta entropia. Eles usaram esse conjunto de dados para treinar um modelo de aprendizado de máquina que prevê as energias de formação e a estabilidade de fase de novas composições de ligas de alta entropia. Conseguiram triá‑los milhares de candidatos e encontrar os mais promissores para validação experimental. Este trabalho está ajudando a acelerar o desenvolvimento de ligas de alta entropia de próxima geração com força, tenacidade e resistência à corrosão excepcionais para aeroespacial, defesa e além.
Agora, vamos analisar quais empresas podem se beneficiar mais ao estabelecer esses padrões.
#1. Tesla (TSLA)
A Tesla, Inc. (TSLA ) se beneficiará enormemente da troca de dados padronizada do OPTIMADE, que aprimorará sua capacidade de desenvolver tecnologias de bateria melhores e otimizar materiais em seus processos de fabricação. Isso ajudará a Tesla a criar baterias com maior densidade de energia, ciclos de vida mais longos e recursos de segurança aprimorados, ao mesmo tempo reduzindo custos e melhorando a sustentabilidade.
TSLA Gráfico de preços
Do ponto de vista financeiro, em 2023, a Tesla registrou receita de US$ 96,8 bilhões, um aumento de 19 % em relação ao ano anterior, demonstrando seu forte crescimento financeiro e potencial para inovação contínua.
#2. Intel Corporation (INTC)
Outra empresa que se beneficiará substancialmente da troca de dados padronizada do OPTIMADE é a Intel (INTC ) Corporation (INTC), líder nos setores de tecnologia e semicondutores. Aproveitando IA e dados de materiais padronizados, a Intel pode descobrir e projetar novos materiais semicondutores, levando ao desenvolvimento de chips com melhor desempenho, maior eficiência e novas funcionalidades.
Isso ajudará a Intel a manter sua posição na vanguarda da inovação em semicondutores. Além disso, integrar dados de vários bancos de dados simplificará os processos de pesquisa e desenvolvimento da Intel, permitindo maior foco na inovação e menos na gestão de dados.
INTC Gráfico de preços
Do ponto de vista financeiro, a Intel registrou receita de US$ 54,2 bilhões em 2023, refletindo o papel substancial da empresa na indústria e seu potencial contínuo de crescimento e desenvolvimento.
O Futuro do OPTIMADE
À medida que o OPTIMADE está sendo adotado cada vez mais, a comunidade de ciência dos materiais está explorando novas fronteiras de integração e descoberta de dados. Uma área de desenvolvimento é a integração do OPTIMADE com outros padrões de dados e ontologias, como a European Materials Modelling Ontology (EMMO) e o Crystallographic Information Framework (CIF).
Alinhar esses diferentes padrões e semânticas permitirá que os pesquisadores façam perguntas ainda mais poderosas e complexas através de múltiplas fontes de dados, escalas de tempo e domínios da ciência dos materiais.
Outra área de foco para pesquisas futuras é o desenvolvimento de ferramentas mais avançadas e automatizadas para análise de dados de materiais e aprendizado de máquina. O surgimento de técnicas de deep learning como redes neurais gráficas e arquiteturas transformer sinaliza a necessidade de maneiras padronizadas e escaláveis de representar e processar dados de materiais nesses modelos.
O OPTIMADE está bem posicionado para desempenhar um papel chave nesse espaço, pois pode fornecer uma interface comum para acessar e integrar grandes e diversos conjuntos de dados de propriedades e estruturas de materiais. Como o Dr. Matthias Scheffler, diretor do Fritz Haber Institute e pioneiro em ciência computacional de materiais, diz:
“OPTIMADE não se trata apenas de tornar os dados mais acessíveis, mas de possibilitar novos paradigmas para descoberta e design de materiais. Ao fornecer uma base para pesquisa de materiais orientada por dados e IA, estamos ajudando a inaugurar uma nova era de inovação e descoberta.”
Olhando ainda mais adiante, há também interesse em usar o OPTIMADE para possibilitar modelos mais descentralizados e colaborativos de compartilhamento de dados e descoberta de materiais. Por exemplo, alguns pesquisadores estão explorando o uso de blockchain para criar redes seguras e distribuídas de bancos de dados OPTIMADE onde os dados podem ser compartilhados e consultados entre múltiplas instituições e domínios.
Outros estão analisando aprendizado federado para treinar modelos de aprendizado de máquina em conjuntos de dados descentralizados sem a necessidade de centralizar ou harmonizar os dados. Ao permitir que pesquisadores em empresas como Matgenix e Data Science OÜ colaborem e compartilhem insights através de fronteiras institucionais enquanto ainda controlam seus próprios dados e propriedade intelectual, essas abordagens podem acelerar o ritmo da descoberta e inovação de materiais.
Considerações Finais
IA e técnicas orientadas por dados na ciência dos materiais estão mudando a forma como descobrimos, projetamos e implantamos novos materiais. Mas para realizar plenamente essas abordagens, precisamos de uma infraestrutura robusta e padronizada para acessar e integrar dados de múltiplas fontes e domínios.
A API OPTIMADE é um habilitador chave para isso, ao fornecer uma linguagem e protocolo comuns para consultar e recuperar dados de materiais em formato legível por máquina. Ao reduzir as barreiras ao acesso e integração de dados, o OPTIMADE está tornando a pesquisa de materiais mais democrática e acelerando a inovação.
À medida que o OPTIMADE é adotado cada vez mais e novas ferramentas e técnicas para descoberta de materiais orientada por dados surgem, podemos esperar ainda mais no futuro. De novos materiais para baterias e ligas de alto desempenho a medicamentos personalizados e nanomateriais funcionais, as possibilidades são infinitas.
Mas para realizar isso, precisamos de investimento sustentado e colaboração em toda a comunidade de ciência dos materiais, bem como dados abertos, padrões abertos e ciência aberta. Só trabalhando juntos através de fronteiras disciplinares e institucionais podemos liberar todo o potencial da IA e da descoberta orientada por dados na ciência dos materiais.
O Dr. Gerbrand Ceder, professor de ciência dos materiais na UC Berkeley e pioneiro em design computacional de materiais, diz:
“O futuro é promissor, mas precisamos mudar a forma como pensamos sobre dados e colaboração. Ao usar padrões abertos como o OPTIMADE e trabalhar juntos como comunidade para compartilhar conhecimento, podemos acelerar a inovação e resolver alguns dos maiores problemas que enfrentamos hoje.”
No geral, a adoção de padrões como o OPTIMADE revolucionará a ciência dos materiais ao simplificar a integração de dados, aprimorar a colaboração e impulsionar a inovação rápida em múltiplas indústrias.
Clique aqui para aprender tudo sobre investir em inteligência artificial (IA).
