Etablering av standarder för att maximera fördelarna med artificiell intelligens

Materialvetenskap förändras snabbt med framväxten av artificiell intelligens (AI) och maskininlärning (ML). Dessa verktyg omvandlar hur vi upptäcker, designar och optimerar nya material för att tackla de stora utmaningarna inom ren energi och hållbar tillverkning, avancerad elektronik och biomedicin.

Att få ut det mesta av AI i materialforskning kräver dock mer än bara avancerade algoritmer och stora datamängder. Det krävs en robust, standardiserad infrastruktur för att komma åt, dela och integrera materialdata från olika källor och domäner. Utan standarder möter forskare stora hinder för att träna exakta, generaliserbara modeller och föra sina resultat till verkligheten.

Här kommer vi att titta på vikten av datastandarder för AI‑driven materialupptäckt, med fokus på den nya Open Databases Integration for Materials Design (OPTIMADE)‑initiativet. Vi kommer att gå igenom utmaningarna med materialdataväxling, OPTIMADE‑API‑funktionerna och fördelarna, samt verkliga exempel på hur denna standard redan förändrar materialforskning. Slutligen ser vi på framtiden för OPTIMADE och vad det kan innebära för innovation inom nya material.

Utmaningarna med materialdatautbyte

För att förstå vikten av datastandarder i materialvetenskap måste du förstå de utmaningar forskare möter när de ska komma åt och integrera data från olika källor.

Materialdata har spridits över ett fragmenterat landskap av databaser, var och en med sitt eget dataschema, API och åtkomstprotokoll. Denna brist på interoperabilitet är ett stort hinder för forskare som vill bygga maskininlärningsmodeller eller utföra storskalig datamining.

Ta till exempel en materialforskare som vill upptäcka nya batterimaterial. För att träna en prediktiv modell skulle de behöva samla data om ett brett spektrum av kända batteriföreningar, deras kristallstrukturer, elektrokemiska egenskaper och syntesförhållanden.

Denna data är dock sannolikt spridd över flera databaser, var och en med sitt eget sätt att representera och leverera informationen.

För att få den relevanta datan skulle forskaren behöva:

• Skriva anpassad kod för att fråga varje databas API
• Navigera deras unika schema
• Rensa och slå ihop resultaten till ett konsekvent format.

Detta är tidskrävande, felbenäget och kräver teknisk expertis utanför forskarens kärnområde.

Dr Julia Ling, materialinformatikforskare vid Lawrence Berkeley National Laboratory, har upplevt detta på egen hand. Hon säger:

“I mitt arbete måste jag ofta integrera data från flera databaser för att bygga omfattande träningsset för mina maskininlärningsmodeller. Men avsaknaden av standardisering över dessa databaser är ett stort problem. Jag kan spendera veckor bara på att skriva databehandlingsskript innan jag ens kan börja träna mina modeller.”

Problemet förvärras av att många materialdatabaser är låsta i enskilda forskargrupper eller institutioner, så externa forskare kan inte ens hitta, än mindre få åtkomst till potentiellt värdefull data. Denna brist på synlighet och tillgänglighet bromsar vetenskapen och orsakar onödig duplicering av arbete.

Dr. Bryce Meredig, medgrundare och Chief Science Officer på Citrine Informatics, säger:

“Det nuvarande tillståndet för materialdata är ett kaos. Det är spritt, heterogent och ofta dåligt dokumenterat. Detta gör det omöjligt att använda datan effektivt, särskilt för maskininlärning.”

Behovet av gemenskapsstandarder

För att övervinna dessa utmaningar och få ut det mesta av AI i materialforskning behöver gemenskapen ett gemensamt set av standarder och protokoll för datautbyte. Dessa standarder bör möjliggöra för forskare att komma åt och integrera data från olika källor i ett konsekvent, maskinläsbart format utan att behöva navigera varje enskild databas komplexitet.

Standarderna måste utvecklas och antas av gemenskapen på ett öppet och samarbetsinriktat sätt. De kan inte påtvingas top‑down av någon enskild institution eller databasleverantör. De måste uppstå genom en konsensus‑ och iterativ process med input från ett brett spektrum av intressenter inom akademi, industri och regering.

Fördelarna är tydliga. Genom att tillhandahålla ett gemensamt språk och ramverk för materialdatautbyte kan de minska barriärerna för dataåtkomst och integration och låta forskare spendera mer tid på vetenskap och mindre på datahantering. Dessutom kan de möjliggöra ett rikt ekosystem av interoperabla verktyg och tjänster, från datavisualiserings‑ och analysplattformar till automatiserade upptäckts‑pipelines och kunskapsbaser.

Dr Kristin Persson, chef för Materials Project vid Lawrence Berkeley National Laboratory, säger att gemenskapsstandarder är nyckeln till att maximera AI:s nytta i materialvetenskap. Hon tillade:

“Genom att enas om ett gemensamt set av principer och protokoll för datautbyte kan vi öppna upp en helt ny nivå av samarbete och innovation i materialforskning. Det handlar inte bara om att göra data mer tillgänglig utan om att möjliggöra ny vetenskap som tidigare var omöjlig.”

Uppkomsten av OPTIMADE

När behovet av gemenskapsstandarder för materialdatautbyte blev tydligt samlades en grupp ledande materialdatabaser och mjukvaruleverantörer 2016 för att lansera initiativet Open Databases Integration for Materials Design (OPTIMADE).

Målet med OPTIMADE är att utveckla en gemensam API‑specifikation för att fråga och hämta data från materialdatabaser i ett standardiserat, maskinläsbart format. Genom att erbjuda ett enda gränssnitt till många databaser, kommer OPTIMADE göra det enklare för forskare att komma åt och integrera materialdata i sina arbetsflöden oavsett vilken databas eller mjukvara de använder.

OPTIMADE‑specifikationen bygger på REST‑baserad webbdesign med standard‑HTTP‑protokoll och JSON‑dataformat för att möjliggöra kommunikation mellan databaser och klientapplikationer. Den definierar ett set av gemensamma slutpunkter och frågeparametrar som databaser kan implementera för att exponera sin data på ett standardiserat, självbeskrivande sätt.

Till exempel kan en klientapplikation skicka en enkel HTTP‑GET‑förfrågan till en OPTIMADE‑kompatibel databas med frågeparametrar i ett standardiserat format för att söka efter material som innehåller järn och syre.

Databasservern översätter sedan detta till sitt eget frågespråk, utför sökningen och returnerar resultaten i JSON. Klientapplikationen kan sedan parsas och bearbetas med standardverktyg och -bibliotek utan att behöva känna till det underliggande databasschemat eller implementationsdetaljerna.

OPTIMADE i praktiken

Sedan 2019 har OPTIMADE adopterats av många materialdatabaser och mjukvaruverktyg.

Ett exempel är Materials Project, en populär databas med beräknade materialegenskaper som drivs av Lawrence Berkeley National Laboratory. År 2020 implementerade Materials Project‑teamet ett OPTIMADE‑API så att användare kunde komma åt deras enorma dataset med standardiserade frågeparametrar och svarformat.

Enligt Dr Shyam Dwaraknath, huvudarkitekt för databasen:

“Materials Projects OPTIMADE‑API har varit en spelväxlare för våra användare. Det har möjliggjort ett helt nytt ekosystem av verktyg och integrationer som gör det enklare än någonsin att komma åt och analysera vår data från Jupyter‑notebooks och webbapplikationer till hög‑genomströmning‑screenings‑pipelines.”

NOMAD Archive, ett arkiv för rådata från hög‑genomströmning‑materialsimuleringar, är en annan tidig adoptör av OPTIMADE. Genom att exponera sin data via ett OPTIMADE‑API har NOMAD gjort det möjligt för forskare att utföra storskalig datamining och träna maskininlärningsmodeller på en enorm dataset av beräknade egenskaper.

Enligt Dr Luca Ghiringhelli, gruppledare vid Fritz Haber Institute och AI‑entusiast inom materialvetenskap:

“Vi ser en verklig ökning av intresset för datadriven materialforskning, och OPTIMADE spelar en nyckelroll i detta. Genom att erbjuda ett enda gränssnitt till flera databaser sänker det barriärerna för dataåtkomst och integration och hjälper till att demokratisera fältet.”

Verkliga tillämpningar

Effekten av OPTIMADE ses redan över många områden inom materialforskning, från batterier och förnybar energi till rymdteknik och biomedicinsk ingenjörskonst. Här är några exempel på hur detta sker:

#1. Att hitta högpresterande termoelektriska material: Forskare vid Northwestern University använde OPTIMADE för att kombinera data från flera beräkningsdatabaser, inklusive Materials Project och OQMD, för att träna en maskininlärningsmodell som förutsäger termoelektriska egenskaper hos nya material. Med detta dataset kunde de identifiera flera nya föreningar med potentiellt rekordbrytande prestanda, som nu syntetiseras och testas.

#2. Hög‑genomströmning‑screening av 2D‑material: Ett team vid Technical University of Denmark använde OPTIMADE för att screena mer än 50 000 beräknade 2D‑material från Computational 2D Materials Database (C2DB). Genom att fråga databasen med OPTIMADE‑filter kunde de snabbt hitta material med specifika egenskaper, såsom hög bärarmobilitet eller låg bandgap, för nästa generations elektronik och optoelektronik.

#3. Den snabba utvecklingen av nya batterimaterial: Forskare vid MIT och Stanford University använde OPTIMADE för att bygga en centraliserad databas med batterimaterialegenskaper, genom att kombinera data från Materials Project, OQMD och andra källor. De tränade en serie maskininlärningsmodeller på detta dataset för att förutsäga nyckelprestandamått, såsom kapacitet och cyklabilitet, för nya litium‑jon‑batterikemi. Dessa modeller används nu för att styra experimentella insatser för att utveckla säkrare, längre livslängd och mer energitäta batterier för elfordon och nätlagring.

#4. Design av hög‑entropi‑legeringar: Ett team vid University of Maryland använde OPTIMADE för att kombinera data från flera beräknings‑ och experimentella databaser, inklusive Materials Project, OQMD och High‑Entropy Alloys Database (THEAD), för att bygga ett dataset av hög‑entropi‑legeringsegenskaper. De använde detta dataset för att träna en maskininlärningsmodell som förutsäger bildningsenergier och fasstabilitet för nya hög‑entropi‑legeringskompositioner. De kunde screena tusentals kandidater och hitta de mest lovande för experimentell validering. Detta arbete hjälper till att påskynda utvecklingen av nästa generations hög‑entropi‑legeringar med exceptionell styrka, seghet och korrosionsbeständighet för rymd, försvar och mer.

Nu ska vi titta på vilka företag som kan dra mest nytta av att etablera dessa standarder.

#1. Tesla (TSLA)

Tesla, Inc. (TSLA ) kommer att dra stor nytta av OPTIMADE:s standardiserade datautbyte, vilket förbättrar deras förmåga att utveckla bättre batteriteknologier och optimera material i sina tillverkningsprocesser. Detta hjälper Tesla att skapa batterier med högre energitäthet, längre livscykler och förbättrade säkerhetsfunktioner samtidigt som kostnaderna minskar och hållbarheten ökar.

Finansiellt sett rapporterade Tesla 2023 en omsättning på 96,8 miljarder USD, en ökning med 19 % jämfört med föregående år, vilket visar på stark finansiell tillväxt och potential för fortsatt innovation.

#2. Intel Corporation (INTC)

Ett annat företag som kommer att dra betydande nytta av OPTIMADE:s standardiserade datautbyte är Intel (INTC ) Corporation (INTC), en ledare inom teknik‑ och halvledarsektorn. Genom att utnyttja AI och standardiserade materialdata kan Intel upptäcka och designa nya halvledarmaterial, vilket leder till utveckling av chip med bättre prestanda, högre effektivitet och nya funktioner.

Detta hjälper Intel att behålla sin position i framkant av halvledarinnovation. Dessutom kommer integration av data från olika databaser att strömlinjeforma Intels forsknings‑ och utvecklingsprocesser, så att de kan fokusera mer på innovation och mindre på datamanagement.

På den finansiella sidan rapporterade Intel en omsättning på 54,2 miljarder USD år 2023, vilket speglar företagets betydande roll i branschen och dess fortsatta tillväxtpotential.

Framtiden för OPTIMADE

Allteftersom OPTIMADE adopteras allt mer, utforskar materialvetenskapssamfundet nya fronter för data‑integration och upptäckt. Ett utvecklingsområde är integrationen av OPTIMADE med andra datastandarder och ontologier, såsom European Materials Modelling Ontology (EMMO) och Crystallographic Information Framework (CIF).

Att samordna dessa olika standarder och semantiker kommer att möjliggöra för forskare att ställa ännu kraftfullare och mer komplexa frågor över flera datakällor, tids‑ och längdskala, och domäner inom materialvetenskap.

Ett annat fokusområde för framtida forskning är utvecklingen av mer avancerade och automatiserade verktyg för materialdataanalys och maskininlärning. Uppkomsten av djupinlärningstekniker såsom graf‑neuronätverk och transformer‑arkitekturer signalerar ett behov av både standardiserade och skalbara sätt att representera och bearbeta materialdata i dessa modeller.

OPTIMADE är väl positionerat för att spela en nyckelroll i detta område eftersom det kan erbjuda ett gemensamt gränssnitt för att komma åt och integrera stora, diversifierade dataset av materialegenskaper och strukturer. Som Dr. Matthias Scheffler, chef för Fritz Haber Institute och pionjär inom beräkningsmaterialvetenskap, säger:

“OPTIMADE handlar inte bara om att göra data mer tillgänglig, det handlar om att möjliggöra nya paradigm för materialupptäckt och -design. Genom att tillhandahålla en grund för datadriven och AI‑driven materialforskning hjälper vi till att inleda en ny era av innovation och upptäckt.”

Framåt ser vi också ett intresse för att använda OPTIMADE för att möjliggöra mer decentraliserade och samarbetsinriktade modeller för datadelning och upptäckt av material. Till exempel utforskar vissa forskare användningen av blockchain för att skapa säkra, distribuerade nätverk av OPTIMADE‑databaser där data kan delas och frågas över flera institutioner och domäner.

Andra tittar på federerad inlärning för att träna maskininlärningsmodeller på decentraliserade dataset utan att behöva centralisera eller harmonisera datan. Genom att låta forskare på företag som Matgenix och Data Science OÜ samarbeta och dela insikter över institutionella gränser samtidigt som de behåller kontroll över sin egen data och immateriella rättigheter, kan dessa tillvägagångssätt påskynda takten för materialupptäckt och innovation.

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

Avslutande tankar

AI och datadrivna tekniker i materialvetenskap förändrar hur vi upptäcker, designar och implementerar nya material. Men för att fullt ut realisera dessa tillvägagångssätt, behöver vi en robust, standardiserad infrastruktur för att komma åt och integrera data från flera källor och domäner.

OPTIMADE‑API är en nyckelaktör för detta genom att erbjuda ett gemensamt språk och protokoll för att fråga och hämta materialdata i ett maskinläsbart format. Genom att minska barriärerna för dataåtkomst och integration gör OPTIMADE materialforskning mer demokratisk och påskyndar innovation.

Allteftersom OPTIMADE fortsätter att antas och nya verktyg och tekniker för datadriven materialupptäckt framträder, kan vi förvänta oss ännu mer i framtiden. Från nya batterimaterial och högpresterande legeringar till skräddarsydda läkemedel och funktionella nanomaterial, möjligheterna är oändliga.

Men för att realisera detta krävs hållbara investeringar och samarbete över materialvetenskapens gemenskap, samt öppen data, öppna standarder och öppen vetenskap. Endast genom att arbeta tillsammans över disciplinära och institutionella gränser kan vi hoppas på att frigöra AI:s och datadriven upptäcks fulla potential inom materialvetenskap.

Som Dr. Gerbrand Ceder, professor i materialvetenskap vid UC Berkeley och pionjär inom beräkningsmaterialdesign, säger:

“Framtiden är ljus, men vi måste förändra hur vi tänker på data och samarbete. Genom att använda öppna standarder som OPTIMADE och samarbeta som en gemenskap för att dela kunskap kan vi påskynda innovation och lösa några av de största problemen vi står inför idag.”

Sammanfattningsvis kommer antagandet av standarder som OPTIMADE att revolutionera materialvetenskap genom att strömlinjeforma data‑integration, förbättra samarbete och driva snabb innovation över flera industrier.

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