Agham ng Materyales
Pagtatatag ng mga Pamantayan upang Maksimahin ang Benepisyo ng Artipisyal na Intelihensiya
Ang agham ng materyales ay mabilis na nagbabago kasabay ng pag-usbong ng artipisyal na intelihensiya (AI) at pagkatuto ng makina (ML). Ang mga kasangkapang ito ay nagbabago kung paano natin natutuklasan, dinidisenyo, at ina‑optimize ang mga bagong materyales upang harapin ang malalaking hamon sa malinis na enerhiya at napapanatiling paggawa, advanced na elektronika, at biomedisina.
Gayunpaman, ang pagkuha ng pinakamalaking benepisyo mula sa AI sa pananaliksik ng materyales ay nangangailangan ng higit pa sa magarbong mga algoritmo at malaking datos. Kailangan ito ng matatag, pamantayan na imprastruktura para ma‑access, maibahagi, at maisama ang datos ng materyales mula sa iba’t ibang pinagmulan at larangan. Kung walang mga pamantayan, humaharap ang mga mananaliksik sa malalaking hadlang sa pagsasanay ng tumpak, pangkalahatang mga modelo at pagdadala ng kanilang mga resulta sa totoong mundo.
Dito, titingnan natin ang kahalagahan ng mga pamantayan sa datos para sa AI‑driven na pagtuklas ng materyales, na nakatuon sa bagong inisyatibang Open Databases Integration for Materials Design (OPTIMADE). Tatalakayin natin ang mga hamon sa palitan ng datos ng materyales, mga tampok at benepisyo ng OPTIMADE API, at mga halimbawa mula sa totoong mundo kung paano na nagbabago ang pamantayang ito sa pananaliksik ng materyales. Sa huli, susuriin natin ang hinaharap ng OPTIMADE at kung ano ang maaaring idulot nito sa inobasyon sa mga bagong materyales.
Ang mga Hamon sa Palitan ng Datos ng Materyales
Upang maunawaan ang kahalagahan ng mga pamantayan sa datos sa agham ng materyales, kailangan mong maunawaan ang mga hamon na kinahaharap ng mga mananaliksik sa pag‑access at pagsasama ng datos mula sa iba’t ibang pinagmulan.
Ang datos ng materyales ay nakakalat sa isang pira‑pirasong tanawin ng mga database, bawat isa ay may sariling data schema, API, at mga protocol sa pag‑access. Ang kakulangan ng interoperability ay malaking hadlang para sa mga mananaliksik na nais bumuo ng mga machine‑learning na modelo o magsagawa ng malawakang data mining.
Halimbawa, isang siyentipiko ng materyales na nais magdiskubre ng mga bagong materyales para sa baterya. Upang sanayin ang isang predictive na modelo, kailangan nilang mangalap ng datos tungkol sa malawak na hanay ng kilalang mga compound ng baterya, ang kanilang crystal structures, electrochemical properties, at mga kondisyon ng synthesis.
Gayunpaman, malamang na ang datos na ito ay nakakalat sa maraming database, bawat isa ay may sariling paraan ng pagrepresenta at paghahatid ng impormasyon.
Upang makuha ang kaugnay na datos, kailangang gawin ng mananaliksik ang mga sumusunod:
- Sumulat ng custom na code upang i‑query ang API ng bawat database
- Mag‑navigate sa kanilang natatanging schema
- Linisin at pagsamahin ang mga resulta sa isang pare‑parehong format.
Ito ay nakakaubos ng oras, madaling magkamali, at nangangailangan ng teknikal na kadalubhasaan na lampas sa pangunahing larangan ng mananaliksik.
Si Dr. Julia Ling, isang materyales informatics na siyentipiko sa Lawrence Berkeley National Laboratory, ay naranasan ito nang personal. Sabi niya:
“Sa aking trabaho, madalas kong kailangan pagsamahin ang datos mula sa maraming database upang bumuo ng komprehensibong training sets para sa aking mga machine learning na modelo. Ngunit ang kakulangan ng standardisasyon sa mga database na ito ay malaking problema. Maaari akong gumugol ng ilang linggo lamang sa pagsulat ng mga script para sa pagproseso ng datos bago ko pa man masimulan ang pagsasanay ng aking mga modelo.”
Lumalala pa ang problema dahil maraming database ng materyales ay nakapaloob sa mga indibidwal na grupo ng pananaliksik o institusyon, kaya ang mga labas na mananaliksik ay hindi man lang makahanap, hindi pa ma‑access ang posibleng mahalagang datos. Ang kakulangan ng visibility at accessibility ay humahadlang sa agham at nagdudulot ng hindi kinakailangang pagdoble ng pagsisikap.
Si Dr. Bryce Meredig, co‑founder at Chief Science Officer ng Citrine Informatics, ay nagsabi:
“Ang kasalukuyang kalagayan ng datos ng materyales ay magulo. Ito ay nakakalat, heterogenous, at madalas na mahina ang dokumentasyon. Ginagawa nitong imposibleng magamit nang epektibo ang datos na ito, lalo na para sa machine learning.”
Ang Pangangailangan para sa Pamantayan ng Komunidad
Upang mapagtagumpayan ang mga hamong ito at makuha ang pinakamalaking benepisyo mula sa AI sa pananaliksik ng materyales, kailangan ng komunidad ng isang karaniwang hanay ng mga pamantayan at protocol para sa palitan ng datos. Dapat payagan ng mga pamantayang ito ang mga mananaliksik na ma‑access at maisama ang datos mula sa iba’t ibang pinagmulan sa isang pare‑pareho, nababasang ng makina na format nang hindi na kailangang mag‑navigate sa komplikasyon ng bawat indibidwal na database.
Dapat ang mga pamantayang ito ay binuo at inampon ng komunidad sa isang bukas at kolaboratibong paraan. Hindi ito maaaring ipataw mula sa itaas pababa ng anumang iisang institusyon o tagapagbigay ng database. Dapat itong lumitaw mula sa proseso ng konsensus at iterasyon na may input mula sa malawak na hanay ng mga stakeholder mula sa akademya, industriya, at pamahalaan.
Malinaw ang mga benepisyo. Sa pamamagitan ng pagbibigay ng isang karaniwang wika at balangkas para sa palitan ng datos ng materyales, maaari nilang bawasan ang mga hadlang sa pag‑access at pagsasama ng datos at payagan ang mga mananaliksik na maglaan ng mas maraming oras sa agham at mas kaunting oras sa pag‑ayos ng datos. Dagdag pa rito, maaari nilang paganahin ang isang masaganang ekosistema ng mga interoperable na kasangkapan at serbisyo, mula sa mga platform ng data visualization at analysis hanggang sa mga awtomatikong discovery pipeline at knowledge base.
Si Dr. Kristin Persson, direktor ng Materials Project sa Lawrence Berkeley National Laboratory, ay nagsabi na ang mga pamantayan ng komunidad ay susi upang makuha ang pinakamalaking benepisyo mula sa AI sa agham ng materyales. Dagdag pa niya:
“Sa pamamagitan ng pagsang‑ayon sa isang karaniwang hanay ng mga prinsipyo at protocol para sa palitan ng datos, maaari nating buksan ang isang bagong antas ng kolaborasyon at inobasyon sa pananaliksik ng materyales. Hindi ito lamang tungkol sa paggawa ng datos na mas madaling ma‑access kundi tungkol sa pagpapahintulot ng bagong agham na dati ay imposibleng gawin.”
Ang Pagsikat ng OPTIMADE
Nakikita ang pangangailangan para sa mga pamantayan ng komunidad sa palitan ng datos ng materyales, nagsama‑sama ang isang grupo ng nangungunang mga database ng materyales at mga tagapagbigay ng software noong 2016 upang ilunsad ang inisyatibong Open Databases Integration for Materials Design (OPTIMADE).
Layunin ng OPTIMADE na bumuo ng isang karaniwang API specification para sa pag‑query at pagkuha ng datos mula sa mga database ng materyales sa isang standardisadong, nababasang ng makina na format. Sa pamamagitan ng pagbibigay ng isang solong interface sa maraming database, mapapadali ng OPTIMADE para sa mga mananaliksik na ma‑access at maisama ang datos ng materyales sa kanilang mga workflow anuman ang database o software na kanilang ginagamit.
Ang specification ng OPTIMADE ay batay sa RESTful web design gamit ang mga standard na HTTP protocol at JSON data format upang paganahin ang komunikasyon sa pagitan ng mga database at client applications. Ito ay nagtatakda ng isang hanay ng mga karaniwang endpoint at query parameters na maaaring ipatupad ng mga database upang ilantad ang kanilang datos sa isang standardisado, self‑describing na paraan.
Halimbawa, maaaring magpadala ang isang client application ng simpleng HTTP GET request sa isang OPTIMADE‑compliant na database na may mga query parameters sa isang standardisadong format upang maghanap ng mga materyales na naglalaman ng bakal at oxygen.
Pagkatapos, isasalin ng server ng database ito sa sariling query language nito, isasagawa ang paghahanap, at ibabalik ang mga resulta sa JSON. Maaaring i‑parse at iproseso ng client application ang mga resultang iyon gamit ang mga standard na kasangkapan at library nang hindi kailangang malaman ang pinagbabatayang schema ng database o mga detalye ng implementasyon.
Ang OPTIMADE sa Aksyon
Mula noong 2019, ang OPTIMADE ay inampon na ng maraming database ng materyales at mga kasangkapan sa software.
Isang halimbawa ay ang Materials Project, isang popular na database ng mga computed na katangian ng materyales na pinamamahalaan ng Lawrence Berkeley National Laboratory. Noong 2020, ipinatupad ng koponan ng Materials Project ang isang OPTIMADE API upang magamit ng mga gumagamit ang napakalawak nitong dataset gamit ang mga standard na query parameters at response format.
Ayon kay Dr. Shyam Dwaraknath, ang lead database architect:
“Ang OPTIMADE API ng Materials Project ay naging isang game changer para sa aming mga gumagamit. Nagbigay ito ng isang bagong ekosistema ng mga kasangkapan at integrasyon na nagpapadali nang husto ang pag‑access at pagsusuri ng aming datos mula sa Jupyter notebooks at web applications hanggang sa high throughput screening pipelines.”
Ang NOMAD Archive, isang repository para sa raw data mula sa high‑throughput na simulation ng materyales, ay isa pang maagang nag‑adopt ng OPTIMADE. Sa pamamagitan ng paglalantad ng datos nito sa pamamagitan ng isang OPTIMADE API, pinahintulutan ng NOMAD ang mga mananaliksik na magsagawa ng malawakang data mining at magsanay ng mga machine learning na modelo sa isang napakalaking dataset ng mga computed na katangian.
Ayon kay Dr. Luca Ghiringhelli, group leader sa Fritz Haber Institute at AI sa agham ng materyales na tagahanga:
“Nakikita namin ang tunay na pagtaas ng interes sa data‑driven na pananaliksik ng materyales, at ang OPTIMADE ay gumaganap ng mahalagang papel dito. Sa pamamagitan ng pagbibigay ng isang solong interface sa maraming database, binababa nito ang mga hadlang sa pag‑access at pagsasama ng datos at tumutulong na gawing demokratiko ang larangan.”
Mga Aplikasyon sa Tunay na Mundo
Ang epekto ng OPTIMADE ay nakikita na sa maraming larangan ng pananaliksik ng materyales, mula sa mga baterya at renewable energy hanggang sa aerospace at biomedical engineering. Narito ang ilang halimbawa kung paano ito nangyayari:
#1. Paghahanap ng mataas na performance na thermoelectrics: Gumamit ang mga mananaliksik sa Northwestern University ng OPTIMADE upang pagsamahin ang datos mula sa maraming computational na database, kabilang ang Materials Project at OQMD, upang sanayin ang isang machine‑learning na modelo para hulaan ang mga thermoelectric na katangian ng mga bagong materyales. Sa paggamit ng dataset na ito, nakahanap sila ng ilang bagong compound na may potensyal na record‑breaking na performance, na ngayon ay ginagawa at sinusuri.
#2. High throughput screening ng 2D na materyales: Isang koponan sa Technical University of Denmark ang gumamit ng OPTIMADE upang i‑screen ang higit sa 50,000 computed na 2D na materyales mula sa Computational 2D Materials Database (C2DB). Sa pamamagitan ng pag‑query sa database gamit ang mga filter ng OPTIMADE, mabilis nilang natagpuan ang mga materyales na may tiyak na katangian, tulad ng mataas na carrier mobility o mababang band gap, para sa susunod na henerasyon ng electronics at optoelectronics.
#3. Ang mabilis na pag‑unlad ng mga bagong materyales para sa baterya: Gumamit ang mga mananaliksik sa MIT at Stanford University ng OPTIMADE upang bumuo ng isang sentralisadong database ng mga katangian ng materyales ng baterya, pinagsasama ang datos mula sa Materials Project, OQMD, at iba pang pinagmulan. Sinanay nila ang isang serye ng mga machine learning na modelo sa dataset na ito upang hulaan ang mga pangunahing performance metric, tulad ng kapasidad at cyclability, para sa mga bagong lithium‑ion na kemistri ng baterya. Ang mga modelong ito ay ngayon ginagamit upang gabayan ang mga eksperimento sa pag‑develop ng mas ligtas, mas matagal ang buhay, at mas mataas ang energy density na mga baterya para sa mga electric vehicle at imbakan sa grid.
#4. Disenyo ng high entropy alloys: Isang koponan sa University of Maryland ang gumamit ng OPTIMADE upang pagsamahin ang datos mula sa maraming computational at experimental na database, kabilang ang Materials Project, OQMD, at ang High‑Entropy Alloys Database (THEAD), upang bumuo ng dataset ng mga katangian ng high entropy alloy. Ginamit nila ang dataset na ito upang sanayin ang isang machine learning na modelo upang hulaan ang formation energies at phase stabilities ng mga bagong komposisyon ng high entropy alloy. Nakapag‑screen sila ng libu‑libong kandidato at natagpuan ang pinaka‑promising na mga ito para sa experimental na beripikasyon. Ang gawaing ito ay tumutulong na pabilisin ang pag‑develop ng susunod na henerasyon ng high entropy alloys na may pambihirang lakas, tibay, at resistensya sa korosyon para sa aerospace, depensa, at higit pa.
Ngayon, tingnan natin kung aling mga kumpanya ang maaaring makinabang nang husto mula sa pagtatag ng mga pamantayang ito.
#1. Tesla (TSLA)
Ang Tesla, Inc. ay lubos na makikinabang mula sa standardisadong palitan ng datos ng OPTIMADE, na magpapahusay sa kakayahan nitong mag‑develop ng mas mahusay na teknolohiya ng baterya at i‑optimize ang mga materyales sa mga proseso ng paggawa nito. Makakatulong ito sa Tesla na lumikha ng mga baterya na may mas mataas na energy density, mas mahabang life cycle, at pinahusay na mga tampok sa kaligtasan habang binabawasan din ang gastos at pinapabuti ang sustainability.
(TSLA )
Sa usaping pinansyal, noong 2023, iniulat ng Tesla ang kita na $96.8 bilyon, isang 19% na pagtaas mula sa nakaraang taon, na nagpapakita ng kanilang matatag na paglago sa pananalapi at potensyal para sa patuloy na inobasyon.
#2. Intel Corporation (INTC)
Isa pang kumpanya na makikinabang nang malaki mula sa standardisadong palitan ng datos ng OPTIMADE ay ang Intel Corporation (INTC), isang lider sa mga sektor ng teknolohiya at semiconductor. Sa pamamagitan ng paggamit ng AI at standardisadong datos ng materyales, maaaring magdiskubre at magdisenyo ang Intel ng mga bagong semiconductor na materyales, na magreresulta sa pag‑develop ng mga chip na may mas mahusay na performance, mas mataas na kahusayan, at mga bagong functionality.
Makakatulong ito sa Intel na mapanatili ang posisyon nito sa unahan ng inobasyon sa semiconductor. Bukod dito, ang pagsasama ng datos mula sa iba’t ibang database ay magpapasimple sa mga proseso ng pananaliksik at pag‑develop ng Intel, na magbibigay‑daan sa mas maraming pokus sa inobasyon at mas kaunting oras sa pamamahala ng datos.
(INTC )
Sa panig na pinansyal, iniulat ng Intel ang kita na $54.2 bilyon noong 2023, na sumasalamin sa malaking papel ng kumpanya sa industriya at patuloy nitong potensyal para sa paglago at pag‑unlad.
Ang Hinaharap ng OPTIMADE
Habang patuloy na inampon ang OPTIMADE, ang komunidad ng agham ng materyales ay nagsusuri ng mga bagong hangganan ng pagsasama ng datos at pagtuklas. Isang larangan ng pag‑unlad ay ang integrasyon ng OPTIMADE sa iba pang mga pamantayan ng datos at ontologies, tulad ng European Materials Modelling Ontology (EMMO) at Crystallographic Information Framework (CIF).
Ang pag‑align ng mga iba’t ibang pamantayan at semantika na ito ay magpapahintulot sa mga mananaliksik na magtanong ng mas makapangyarihan at mas kumplikadong mga tanong sa maraming pinagmulan ng datos, haba, saklaw ng oras, at mga larangan ng agham ng materyales.
Isa pang larangan ng pokus para sa hinaharap na pananaliksik ay ang pag‑develop ng mas advanced at awtomatikong mga kasangkapan para sa pagsusuri ng datos ng materyales at machine learning. Ang pag‑usbong ng mga deep learning technique tulad ng graph neural networks at transformer architectures ay nagpapahiwatig ng pangangailangan para sa parehong standardisado at scalable na paraan upang i‑representa at iproseso ang datos ng materyales sa mga modelong ito.
Ang OPTIMADE ay nasa tamang posisyon upang gumanap ng mahalagang papel sa espasyong ito dahil maaari itong magbigay ng isang karaniwang interface upang ma‑access at maisama ang malalaking, magkakaibang dataset ng mga katangian at estruktura ng materyales. Ayon kay Dr. Matthias Scheffler, direktor ng Fritz Haber Institute at isang pioneer sa computational materials science,
“Ang OPTIMADE ay hindi lamang tungkol sa pagpapadali ng pag‑access sa datos, ito ay tungkol sa pagpapahintulot ng mga bagong paradigma para sa pagtuklas at disenyo ng materyales. Sa pamamagitan ng pagbibigay ng pundasyon para sa data‑driven at AI‑enabled na pananaliksik ng materyales, tumutulong kami na magdala ng isang bagong panahon ng inobasyon at pagtuklas.”
Sa mas malayong hinaharap, may interes din sa paggamit ng OPTIMADE upang paganahin ang mas desentralisado at kolaboratibong mga modelo ng pagbabahagi ng datos at pagtuklas ng materyales. Halimbawa, ilang mananaliksik ang nagsusuri ng paggamit ng blockchain upang lumikha ng mga secure, distributed na network ng mga OPTIMADE database kung saan maaaring ibahagi at i‑query ang datos sa maraming institusyon at larangan.
May iba pang nag-aaral ng federated learning upang sanayin ang mga machine learning na modelo sa desentralisadong mga dataset nang hindi kinakailangang i‑centralize o i‑harmonize ang datos. Sa pamamagitan ng pagpapahintulot sa mga mananaliksik sa mga kumpanya tulad ng Matgenix at Data Science OÜ na makipagtulungan at magbahagi ng mga insight sa kabila ng mga hangganan ng institusyon habang pinapanatili pa rin ang kontrol sa kanilang sariling datos at IP, maaaring mapabilis ng mga pamamaraang ito ang bilis ng pagtuklas at inobasyon sa materyales.
Pangwakas na Kaisipan
Ang AI at mga teknik na nakabatay sa datos sa agham ng materyales ay binabago ang paraan ng ating pagtuklas, pagdidisenyo, at pag‑deploy ng mga bagong materyales. Ngunit upang ganap na maisakatuparan ang mga pamamaraang ito, kailangan natin ng matatag, standardisadong imprastruktura upang ma‑access at maisama ang datos mula sa maraming pinagmulan at larangan.
Ang OPTIMADE API ay isang susi na nagbibigay‑daan para dito sa pamamagitan ng pagbibigay ng isang karaniwang wika at protocol upang mag‑query at kunin ang datos ng materyales sa isang nababasang ng makina na format. Sa pamamagitan ng pagbawas ng mga hadlang sa pag‑access at pagsasama ng datos, ginagawa ng OPTIMADE na mas demokratiko ang pananaliksik ng materyales at pinapabilis ang inobasyon.
Habang patuloy na inampon ang OPTIMADE at lumilitaw ang mga bagong kasangkapan at teknik para sa data‑driven na pagtuklas ng materyales, maaari nating asahan na mas marami pang darating sa hinaharap. Mula sa mga bagong materyales para sa baterya at high‑performance alloys hanggang sa mga customized na gamot at functional na nanomaterials, walang katapusang posibilidad.
Ngunit upang maisakatuparan ito, kailangan natin ng patuloy na pamumuhunan at kolaborasyon sa buong komunidad ng agham ng materyales, pati na rin ng bukas na datos, bukas na pamantayan, at bukas na agham. Tanging sa pamamagitan ng pagtutulungan sa kabila ng mga hangganan ng disiplina at institusyon natin maipapalaya ang buong kapangyarihan ng AI at data‑driven na pagtuklas sa agham ng materyales.
Ayon kay Dr. Gerbrand Ceder, propesor ng agham ng materyales sa UC Berkeley at pioneer sa computational materials design,
“Ang hinaharap ay maliwanag, ngunit kailangan nating baguhin ang paraan ng pag‑isip natin tungkol sa datos at kolaborasyon. Sa pamamagitan ng paggamit ng mga bukas na pamantayan tulad ng OPTIMADE at pagtutulungan bilang isang komunidad upang magbahagi ng kaalaman, maaari nating pabilisin ang inobasyon at lutasin ang ilan sa mga pinakamalaking problema na kinahaharap natin ngayon.”
Sa pangkalahatan, ang pag‑aampon ng mga pamantayan tulad ng OPTIMADE ay magrerebolusyon sa agham ng materyales sa pamamagitan ng pagpapasimple ng pagsasama ng datos, pagpapalakas ng kolaborasyon, at pagpapabilis ng inobasyon sa maraming industriya.
I‑click dito upang matutunan ang lahat tungkol sa pamumuhunan sa artipisyal na intelihensiya (AI).
