Yapay Zekanın Faydalarını Maksimize Etmek İçin Standartların Oluşturulması

Malzeme bilimi, yapay zeka (AI) ve makine öğrenimi (ML) yükselişiyle hızla değişiyor. Bu araçlar, temiz enerji ve sürdürülebilir üretim, ileri elektronik ve biyomedikal gibi büyük zorluklarla mücadele etmek için yeni malzemeleri keşfetme, tasarlama ve optimize etme şeklimizi dönüştürüyor.

Bununla birlikte, malzeme araştırmalarında AI’dan en iyi şekilde yararlanmak sadece şık algoritmalar ve büyük veri gerektirmez. Farklı kaynaklar ve alanlar arasında malzeme verilerine erişmek, paylaşmak ve bütünleştirmek için sağlam, standartlaştırılmış bir altyapı gerekir. Standartlar olmadan, araştırmacılar doğru, genellenebilir modeller eğitmek ve sonuçlarını gerçek dünyaya taşımak konusunda büyük engellerle karşılaşırlar.

Burada, AI odaklı malzeme keşfi için veri standartlarının önemine, yeni Open Databases Integration for Materials Design (OPTIMADE) girişimine odaklanarak bakacağız. Malzeme veri değişiminin zorluklarını, OPTIMADE API özelliklerini ve faydalarını, bu standardın halihazırda malzeme araştırmalarını nasıl değiştirdiğine dair gerçek dünya örneklerini ele alacağız. Son olarak, OPTIMADE’in geleceğine ve yeni malzemelerde inovasyon anlamında ne anlama gelebileceğine bakacağız.

Malzeme Veri Değişiminin Zorlukları

Malzeme biliminde veri standartlarının önemini anlamak için, araştırmacıların farklı kaynaklardan veri erişimi ve bütünleştirmesi sırasında karşılaştıkları zorlukları anlamak gerekir.

Malzeme verileri, her biri kendi veri şeması, API’si ve erişim protokolleri olan parçalanmış bir veritabanı manzarasında dağınık durumdadır. Bu birlikte çalışabilirlik eksikliği, makine öğrenimi modelleri oluşturmak veya büyük ölçekli veri madenciliği yapmak isteyen araştırmacılar için büyük bir engeldir.

Örneğin, yeni batarya malzemeleri keşfetmek isteyen bir malzeme bilimcisini ele alalım. Öngörücü bir model eğitmek için, bilinen batarya bileşenlerinin geniş bir yelpazesi, kristal yapıları, elektrokimyasal özellikleri ve sentez koşulları hakkında veri toplaması gerekir.

Ancak bu veriler muhtemelen birden fazla veritabanına dağılmıştır ve her biri bilgiyi temsil etme ve sunma konusunda kendi yöntemine sahiptir.

İlgili verileri elde etmek için araştırmacının şunları yapması gerekir:

• Her veritabanının API’sine özgü özel kod yazmak
• Benzersiz şemalarını gezinmek
• Sonuçları tutarlı bir formata temizleyip birleştirmek.

Bu zaman alıcı, hata yapmaya açık ve araştırmacının temel alanının dışındaki teknik uzmanlık gerektiren bir süreçtir.

Lawrence Berkeley Ulusal Laboratuvarı’ndan malzeme bilişimi bilimcisi Dr. Julia Ling bu durumu bizzat yaşamıştır. Şöyle diyor:

“Çalışmalarımda, makine öğrenimi modellerim için kapsamlı eğitim setleri oluşturmak amacıyla birden fazla veritabanından veri bütünleştirmem gerekiyor. Ancak bu veritabanları arasındaki standart eksikliği büyük bir sorun. Modellerimi eğitmeye başlayabilmek için veri işleme betikleri yazmakla haftalar harcayabiliyorum.”

Sorun, birçok malzeme veritabanının ayrı araştırma grupları veya kurumlar içinde kilitli tutulmasıyla daha da kötüleşiyor; dış araştırmacılar bu verilere ulaşamıyor, hatta potansiyel değerli verileri bulamıyor bile. Bu görünürlük ve erişilebilirlik eksikliği bilimi geride tutuyor ve gereksiz çaba tekrarı yaratıyor.

Citrine Informatics’in kurucu ortağı ve Baş Bilim Sorumlusu Dr. Bryce Meredig şöyle diyor:

“Malzeme verilerinin mevcut durumu bir karmaşa. Dağınık, heterojen ve çoğu zaman kötü belgelenmiş. Bu durum, özellikle makine öğrenimi için bu verileri etkili bir şekilde kullanmayı imkânsız kılıyor.”

Topluluk Standartlarına İhtiyaç

Bu zorlukların üstesinden gelmek ve malzeme araştırmalarında AI’dan en iyi şekilde yararlanmak için topluluk, veri değişimi için ortak bir standart ve protokol setine ihtiyaç duyar. Bu standartlar, araştırmacıların farklı kaynaklardan gelen verileri tutarlı, makine tarafından okunabilir bir formatta erişmelerine ve bütünleştirmelerine olanak tanımalı, her bir veritabanının karmaşıklıklarını gezinmelerine gerek kalmamalıdır.

Bu standartlar topluluk tarafından açık ve işbirlikçi bir şekilde geliştirilip benimsenmelidir. Tek bir kurum ya da veritabanı sağlayıcı tarafından yukarıdan aşağıya dayatılmamalıdır. Akademi, endüstri ve hükümet gibi geniş bir paydaş yelpazesinden gelen girdilerle, uzlaşı ve yineleme sürecinden ortaya çıkmalıdır.

Faydalar açıktır. Malzeme veri değişimi için ortak bir dil ve çerçeve sağlayarak, veri erişimi ve bütünleştirme engellerini azaltabilir ve araştırmacıların bilimsel çalışmaya daha fazla, veri hazırlamaya daha az zaman harcamasını sağlar. Ayrıca, veri görselleştirme ve analiz platformlarından otomatik keşif hat hatlarına ve bilgi tabanlarına kadar geniş bir birbirine geçişebilir araç ve hizmet ekosistemini mümkün kılar.

Lawrence Berkeley Ulusal Laboratuvarı’nda Materials Project’in direktörü Dr. Kristin Persson, topluluk standartlarının AI’dan malzeme biliminde en iyi şekilde yararlanmak için anahtar olduğunu belirtiyor. Şöyle ekliyor:

“Veri değişimi için ortak bir ilke ve protokol seti üzerinde anlaşarak, malzeme araştırmalarında yeni bir iş birliği ve inovasyon seviyesini açabiliriz. Bu sadece veriyi daha erişilebilir kılmakla kalmıyor, aynı zamanda daha önce mümkün olmayan yeni bilimleri mümkün kılıyor.”

OPTIMADE’in Yükselişi

Malzeme veri değişiminde topluluk standartlarına duyulan ihtiyacı gören önde gelen malzeme veritabanları ve yazılım sağlayıcıları, 2016 yılında Open Databases Integration for Materials Design (OPTIMADE) girişimini başlatmak için bir araya geldiler.

OPTIMADE’in hedefi, malzeme veritabanlarından veri sorgulama ve alma için ortak bir API spesifikasyonu geliştirmektir; bu, standartlaştırılmış, makine tarafından okunabilir bir formatta gerçekleşir. Birçok veritabanına tek bir arayüz sunarak, OPTIMADE araştırmacıların kullandıkları veritabanı ya da yazılım ne olursa olsun, malzeme verilerine erişmelerini ve bunları iş akışlarına bütünleştirmelerini kolaylaştırır.

OPTIMADE spesifikasyonu, veritabanları ile istemci uygulamalar arasındaki iletişimi sağlamak için standart HTTP protokolleri ve JSON veri formatları kullanan RESTful web tasarımına dayanır. Veritabanlarının, verilerini standartlaştırılmış, kendini tanımlayan bir şekilde ortaya koyabilmesi için ortak uç noktalar ve sorgu parametreleri tanımlar.

Örneğin, bir istemci uygulama, demir ve oksijen içeren malzemeleri aramak için standart bir formatta sorgu parametreleriyle OPTIMADE uyumlu bir veritabanına basit bir HTTP GET isteği gönderebilir.

Veritabanı sunucusu bu isteği kendi sorgu diline çevirir, aramayı yürütür ve sonuçları JSON olarak döndürür. İstemci uygulama, temel veritabanı şeması ya da uygulama detaylarını bilmeden, standart araç ve kütüphanelerle bu sonuçları ayrıştırıp işleyebilir.

OPTIMADE Uygulamada

2019’dan bu yana, OPTIMADE birçok malzeme veritabanı ve yazılım aracı tarafından benimsendi.

Bir örnek, Lawrence Berkeley Ulusal Laboratuvarı tarafından barındırılan, hesaplanmış malzeme özelliklerinin popüler bir veritabanı olan Materials Project’tir. 2020’de Materials Project ekibi, kullanıcıların geniş veri setine standart sorgu parametreleri ve yanıt formatlarıyla erişebilmesi için bir OPTIMADE API’si uygulamaya koydu.

Dr. Shyam Dwaraknath, baş veritabanı mimarı şöyle diyor:

“Materials Project’in OPTIMADE API’si kullanıcılarımız için bir oyun değiştiricisi oldu. Jupyter defterlerinden web uygulamalarına, yüksek verimli tarama hatlarına kadar verilerimize erişip analiz etmeyi her zamankinden daha kolay hale getiren yeni bir araç ve entegrasyon ekosistemi oluşturdu.”

NOMAD Archive, yüksek verimli malzeme simülasyonlarından ham veri depolayan bir depo, OPTIMADE’in bir diğer erken benimseyicisi. Verilerini bir OPTIMADE API aracılığıyla açığa çıkararak, NOMAD araştırmacıların büyük ölçekli veri madenciliği yapmalarını ve devasa bir hesaplanmış özellik veri seti üzerinde makine öğrenimi modelleri eğitmelerini sağladı.

Dr. Luca Ghiringhelli, Fritz Haber Enstitüsü grup lideri ve malzeme biliminde AI meraklısı şöyle ekliyor:

“Veri odaklı malzeme araştırmalarına gerçek bir ilgi dalgası görüyoruz ve OPTIMADE bu süreçte kilit bir rol oynuyor. Birden fazla veritabanına tek bir arayüz sunarak, veri erişimi ve bütünleştirme engellerini azaltıyor ve alanı demokratikleştirmeye yardımcı oluyor.”

Gerçek Dünya Uygulamaları

OPTIMADE’in etkisi, bataryalardan yenilenebilir enerjiye, uzaydan biyomedikal mühendisliğine kadar birçok malzeme araştırma alanında zaten görülüyor. İşte bunun nasıl gerçekleştiğine dair birkaç örnek:

#1. Yüksek performanslı termoelektriklerin bulunması: Northwestern Üniversitesi’ndeki araştırmacılar, Materials Project ve OQMD dahil olmak üzere birden fazla hesaplamalı veritabanından veri birleştirerek yeni malzemelerin termoelektrik özelliklerini tahmin eden bir makine öğrenimi modeli eğitti. Bu veri seti sayesinde, potansiyel rekor kırıcı performansa sahip birkaç yeni bileşik buldular; bu bileşikler şu anda sentezlenip test ediliyor.

#2. 2D malzemelerin yüksek verimli taraması: Danimarka Teknik Üniversitesi’ndeki bir ekip, Computational 2D Materials Database (C2DB) üzerinden 50.000’den fazla hesaplanmış 2D malzemeyi taramak için OPTIMADE’i kullandı. OPTIMADE filtreleriyle veritabanını sorgulayarak, yüksek taşıyıcı mobilitesi ya da düşük bant aralığı gibi belirli özelliklere sahip malzemeleri hızlıca buldular; bu malzemeler gelecek nesil elektronik ve optoelektronik için hedefleniyor.

#3. Yeni batarya malzemelerinin hızlı geliştirilmesi: MIT ve Stanford Üniversitesi’ndeki araştırmacılar, Materials Project, OQMD ve diğer kaynaklardan veri birleştirerek batarya malzemeleri özelliklerinin merkezi bir veritabanını oluşturdu. Bu veri seti üzerinde bir dizi makine öğrenimi modeli eğiterek, yeni lityum-iyon batarya kimyaları için kapasite ve döngülebilirlik gibi kritik performans metriklerini tahmin ettiler. Bu modeller artık daha güvenli, daha uzun ömürlü ve daha enerji yoğun bataryaların geliştirilmesi için deneysel çabaları yönlendiriyor; bu bataryalar elektrikli araçlar ve şebeke depolama için hedefleniyor.

#4. Yüksek entropili alaşımların tasarımı: Maryland Üniversitesi’ndeki bir ekip, Materials Project, OQMD ve High-Entropy Alloys Database (THEAD) dahil olmak üzere birden fazla hesaplamalı ve deneysel veritabanından veri birleştirerek yüksek entropili alaşımların özelliklerini içeren bir veri seti oluşturdu. Bu veri setiyle yeni yüksek entropili alaşım bileşimlerinin oluşum enerjileri ve faz kararlılıklarını tahmin eden bir makine öğrenimi modeli eğitti. Binlerce adayı tarayarak en umut verici olanları deneysel olarak doğruladı. Bu çalışma, uzay, savunma ve daha fazlası için olağanüstü mukavemet, toklu ve korozyon direnci sunan yeni nesil yüksek entropili alaşımların geliştirilmesini hızlandırıyor.

Şimdi, bu standartları kurmaktan en çok fayda sağlayacak şirketlere bakalım.

#1. Tesla (TSLA)

Tesla, Inc. (TSLA ), OPTIMADE’in standartlaştırılmış veri değişiminden büyük ölçüde faydalanacak; bu, daha iyi batarya teknolojileri geliştirme ve üretim süreçlerinde malzemeleri optimize etme yeteneğini artıracak. Bu sayede Tesla, daha yüksek enerji yoğunluğuna, daha uzun ömür döngülerine ve geliştirilmiş güvenlik özelliklerine sahip bataryalar üretirken maliyetleri düşürüp sürdürülebilirliği artırabilecek.

Finansal açıdan, 2023’te Tesla $96.8 milyar gelir bildirdi; bu, bir önceki yıla göre %19 artış ve güçlü finansal büyüme ile devam eden inovasyon potansiyelini gösteriyor.

#2. Intel Corporation (INTC)

OPTIMADE’in standartlaştırılmış veri değişiminden önemli ölçüde fayda sağlayacak bir diğer şirket, teknoloji ve yarı iletken sektörlerinde lider konumda olan Intel (INTC ) Corporation (INTC)’dir. AI ve standartlaştırılmış malzeme verilerini kullanarak Intel, yeni yarı iletken malzemeler keşfedebilir ve tasarlayabilir; bu da daha yüksek performans, daha yüksek verimlilik ve yeni işlevsellik sunan çiplerin geliştirilmesini sağlayacak.

Bu, Intel’in yarı iletken inovasyonunun ön saflarında konumunu korumasına yardımcı olacak. Ayrıca, çeşitli veritabanları arasında veri bütünleştirmesi, Intel’in araştırma ve geliştirme süreçlerini kolaylaştırarak inovasyona daha fazla odaklanmasını, veri yönetimine daha az zaman harcamasını sağlayacak.

Finansal açıdan, Intel 2023’te $54.2 milyar gelir bildirdi; bu, şirketin sektördeki büyük rolünü ve büyüme ve gelişme potansiyelini yansıtıyor.

OPTIMADE’in Geleceği

OPTIMADE daha fazla benimsenmeye devam ettikçe, malzeme bilimi topluluğu veri bütünleştirme ve keşif konularında yeni sınırları araştırıyor. Gelişen bir alan, OPTIMADE’in Avrupa Malzeme Modellemesi Ontolojisi (EMMO) ve Kristalografik Bilgi Çerçevesi (CIF) gibi diğer veri standartları ve ontolojileriyle entegrasyonu.

Bu farklı standartlar ve anlambilimlerin hizalanması, araştırmacıların birden fazla veri kaynağı, uzunluk, zaman ölçeği ve malzeme biliminin çeşitli alanları arasında daha güçlü ve karmaşık sorular sorabilmesini sağlayacak.

Gelecek araştırmalar için bir diğer odak alanı, malzeme veri analizi ve makine öğrenimi için daha gelişmiş ve otomatik araçların geliştirilmesidir. Grafik sinir ağları ve transformer mimarileri gibi derin öğrenme tekniklerinin yükselişi, bu modellerde malzeme verilerini temsil etme ve işleme konusunda hem standartlaştırılmış hem de ölçeklenebilir yaklaşımlara ihtiyaç duyulduğunu gösteriyor.

OPTIMADE, büyük ve çeşitli malzeme özellikleri ve yapı veri setlerine erişim ve bütünleştirme için ortak bir arayüz sağlayarak bu alanda kilit bir rol oynamaya iyi konumlanmıştır. Fritz Haber Enstitüsü direktörü ve hesaplamalı malzeme biliminde öncü Dr. Matthias Scheffler şöyle diyor:

“OPTIMADE sadece veriyi daha erişilebilir kılmakla kalmıyor, aynı zamanda malzeme keşfi ve tasarımı için yeni paradigmalar sunuyor. Veri odaklı ve AI destekli malzeme araştırmaları için bir temel sağlayarak, yeni bir inovasyon ve keşif çağına öncülük ediyoruz.”

İleriye baktığımızda, OPTIMADE’i daha merkezi olmayan ve işbirlikçi veri paylaşım ve malzeme keşif modellerini mümkün kılmak için de ilgi var. Örneğin, bazı araştırmacılar, birden fazla kurum ve alanda veri paylaşımı ve sorgulaması yapılabilen güvenli, dağıtık OPTIMADE veritabanı ağları oluşturmak için blokzincir kullanımını araştırıyor.

Diğerleri, verileri merkezi bir konuma getirmeden ya da uyumlaştırmadan, dağıtık veri setleri üzerinde makine öğrenimi modelleri eğitmek için federated learning’e bakıyor. Matgenix ve Data Science OÜ gibi şirketlerdeki araştırmacıların, kurumlar arası sınırları aşarak iş birliği yapıp içgörülerini paylaşmalarına, aynı zamanda kendi verilerini ve fikri mülkiyetlerini kontrol etmelerine olanak tanıyan bu yaklaşımlar, malzeme keşfi ve inovasyon hızını artırabilir.

Cisco Systems için yapay zekanın neden milyar dolarlık bir hamle olduğunu öğrenmek için buraya tıklayın. (CSCO )

Son Düşünceler

AI ve veri odaklı teknikler, malzeme biliminde yeni malzemeleri keşfetme, tasarlama ve uygulama şeklimizi değiştiriyor. Ancak bu yaklaşımları tam anlamıyla hayata geçirmek için, birden fazla kaynak ve alanda veri erişimi ve bütünleştirmesini sağlayacak sağlam, standartlaştırılmış bir altyapıya ihtiyacımız var.

OPTIMADE API, malzeme verilerini makine tarafından okunabilir bir formatta sorgulamak ve almak için ortak bir dil ve protokol sunarak bunun için kilit bir etkinleştiricidir. Veri erişimi ve bütünleştirme engellerini azaltarak, OPTIMADE malzeme araştırmalarını daha demokratik hale getiriyor ve inovasyonu hızlandırıyor.

OPTIMADE daha fazla benimsenip veri odaklı malzeme keşfi için yeni araç ve teknikler ortaya çıktıkça, gelecekte çok daha fazlasını görebiliriz. Yeni batarya malzemelerinden yüksek performanslı alaşımlara, özelleştirilmiş ilaçlardan fonksiyonel nanomalzemelere kadar olasılıklar sınırsız.

Bunu gerçekleştirmek için, malzeme bilimi topluluğu içinde sürdürülebilir yatırım ve iş birliğine, açık veri, açık standart ve açık bilime ihtiyaç var. Disiplinlerarası ve kurumsal sınırları aşarak birlikte çalışmadıkça, AI ve veri odaklı keşfin tam gücünü malzeme biliminde ortaya çıkarma şansımız azalır.

UC Berkeley’de malzeme bilimi profesörü ve hesaplamalı malzeme tasarımı öncüsü Dr. Gerbrand Ceder şöyle diyor:

“Gelecek parlak, ancak veri ve iş birliği konusundaki düşünce biçimimizi değiştirmemiz gerekiyor. OPTIMADE gibi açık standartları kullanarak ve topluluk olarak bilgi paylaşımında birlikte çalışarak, inovasyonu hızlandırabilir ve bugün karşılaştığımız en büyük sorunların bazılarının üstesinden gelebiliriz.”

Genel olarak, OPTIMADE gibi standartların benimsenmesi, veri bütünleştirmesini kolaylaştırarak, iş birliğini artırarak ve birden fazla sektörde hızlı inovasyonu tetikleyerek malzeme bilimini devrim niteliğinde değiştirecek.

Yapay zekaya (AI) yatırım yapma hakkında her şeyi öğrenmek için buraya tıklayın.