Yapay Zekanın Faydasını En Üst Düzeye Çıkaracak Standartların Oluşturulması

Malzeme bilimi, yapay zekanın (AI) ve makine öğreniminin (ML) yükselişiyle birlikte hızla değişiyor. Bu araçlar, sektördeki büyük zorlukların üstesinden gelmek için yeni malzemeleri keşfetme, tasarlama ve optimize etme şeklimizi değiştiriyor. temiz enerji ve sürdürülebilir üretim, ileri elektronik ve biyotıp.

Ancak malzeme araştırmalarında yapay zekadan en iyi şekilde yararlanmak, süslü algoritmalardan ve büyük verilerden daha fazlasını gerektirir. Farklı kaynaklar ve alanlardaki malzeme verilerine erişmek, bunları paylaşmak ve entegre etmek için sağlam, standartlaştırılmış bir altyapı gerekir. Standartlar olmadığında araştırmacılar doğru, genelleştirilebilir modelleri eğitme ve sonuçlarını gerçek dünyaya aktarma konusunda büyük engellerle karşı karşıya kalır.

Burada, yeni teknolojilere odaklanarak yapay zeka odaklı malzeme keşfi için veri standartlarının önemine bakacağız. Materyal Tasarımı için Açık Veritabanları Entegrasyonu (OPTIMADE) girişimi. Malzeme veri alışverişinin zorluklarını, OPTIMADE API'nin özelliklerini ve faydalarını ve bu standardın malzeme araştırmalarını halihazırda nasıl değiştirdiğine dair gerçek dünya örneklerini ele alacağız. Son olarak OPTIMADE'in geleceğine ve bunun yeni malzemelerdeki inovasyon açısından ne anlama gelebileceğine bakacağız.

Malzeme Veri Alışverişinin Zorlukları

Malzeme biliminde veri standartlarının önemini anlamak için araştırmacıların farklı kaynaklardan verilere erişme ve bunları entegre etme konusunda karşılaştığı zorlukları anlamanız gerekir.

Malzeme verileri, her biri kendi veri şemasına, API'sine ve erişim protokollerine sahip olan, parçalanmış bir veritabanları ortamına dağılmıştır. Bu birlikte çalışabilirlik eksikliği, makine öğrenimi modelleri oluşturmak veya büyük ölçekli veri madenciliği yapmak isteyen araştırmacılar için büyük bir engeldir.

Örneğin bir malzeme bilimcisini ele alalım. yeni pil malzemeleri keşfedin. Tahmine dayalı bir model geliştirmek için, çok çeşitli bilinen pil bileşikleri, bunların kristal yapıları, elektrokimyasal özellikleri ve sentez koşulları hakkında veri toplamaları gerekir.

Ancak bu verilerin her birinin kendine ait birden fazla veri tabanına yayılması muhtemeldir. kendi bilgiyi temsil etme ve sunma biçimi.

İlgili verileri elde etmek için araştırmacının şunları yapması gerekir:

• Her veritabanının API'sini sorgulamak için özel kod yazın
• Benzersiz şemalarında gezinin
• Sonuçları temizleyin ve tutarlı bir formatta birleştirin.

Bu zaman alıcıdır, hataya açıktır ve araştırmacının temel alanı dışında teknik uzmanlık gerektirir.

Lawrence Berkeley Ulusal Laboratuvarı'nda malzeme bilişim bilimcisi olan Dr. Julia Ling bunu ilk elden deneyimledi. Diyor:

"İşimde, makine öğrenimi modellerim için kapsamlı eğitim setleri oluşturmak amacıyla sıklıkla birden fazla veritabanındaki verileri entegre etmem gerekiyor. Ancak bu veritabanlarında standardizasyon eksikliği büyük bir sorundur. Modellerimi eğitmeye bile başlamadan önce, yalnızca veri işleme komut dosyaları yazmak için haftalar harcayabilirim."

Pek çok malzeme veri tabanının bireysel araştırma gruplarında veya kurumlarında kilitlenmiş olması, dolayısıyla dışarıdaki araştırmacıların, bırakın potansiyel olarak değerli verilere erişmeyi, bulamamaları bile sorunu daha da kötüleştiriyor. Bu görünürlük ve erişilebilirlik eksikliği bilimi geri tutuyor ve gereksiz çabaların tekrarlanmasına neden oluyor.

Citrine Informatics'in kurucu ortağı ve Baş Bilim Sorumlusu Dr. Bryce Meredig şunları söylüyor:

“Malzeme verilerinin mevcut durumu tam bir karmaşa. Dağınıktır, heterojendir ve sıklıkla yetersiz biçimde belgelenmiştir. Bu bu verilerin özellikle makine öğrenimi için etkili bir şekilde kullanılmasını imkansız hale getiriyor."

Topluluk Standartlarına Olan İhtiyaç

Bu zorlukların üstesinden gelmek ve malzeme araştırmalarında yapay zekadan en iyi şekilde yararlanmak için topluluğun veri alışverişine yönelik ortak bir dizi standart ve protokole ihtiyacı var. Bu standartlar araştırmacıların farklı kaynaklardan gelen verilere tutarlı, tutarlı bir şekilde erişmesine ve bunları entegre etmesine olanak sağlamalıdır. makine tarafından okunabilir her bir veritabanının karmaşıklıklarında gezinmek zorunda kalmadan formatlayın.

Bu standartlar toplum tarafından geliştirilmeli ve benimsenmelidir. açık ve işbirlikçi bir şekilde. Tek bir kurum veya veri tabanı sağlayıcısı tarafından yukarıdan aşağıya empoze edilemezler. Akademi, endüstri ve hükümet genelindeki geniş bir paydaş yelpazesinden gelen girdilerle bir fikir birliği ve yineleme sürecinden ortaya çıkmaları gerekir.

Faydaları açıktır. Malzeme veri alışverişi için ortak bir dil ve çerçeve sağlayarak, veri erişimi ve entegrasyonunun önündeki engelleri azaltabilir ve araştırmacıların bilime daha fazla, veri tartışmasına daha az zaman ayırmasına olanak tanıyabilirler. Ek olarak, veri görselleştirme ve analiz platformlarından otomatik keşif hatlarına ve bilgi tabanlarına kadar uzanan, birlikte çalışabilen araçlar ve hizmetlerden oluşan zengin bir ekosistemi etkinleştirebilirler.

Lawrence Berkeley Ulusal Laboratuvarı Malzeme Projesi direktörü Dr. Kristin Persson, malzeme biliminde yapay zekadan en iyi şekilde yararlanmanın anahtarının topluluk standartlarının olduğunu söylüyor. O ekledi:

"Veri alışverişine yönelik ortak bir dizi ilke ve protokol üzerinde anlaşarak, malzeme araştırmalarında yepyeni bir işbirliği ve yenilik düzeyinin önünü açabiliriz. Bu sadece verileri daha erişilebilir hale getirmekle ilgili değil, aynı zamanda daha önce imkansız olan yeni bilimi mümkün kılmakla da ilgili."

OPTIMADE'in Yükselişi

Malzeme veri alışverişinde topluluk standartlarına duyulan ihtiyacı gören bir grup önde gelen malzeme veri tabanı ve yazılım sağlayıcısı, Malzeme Tasarımı için Açık Veritabanları Entegrasyonu (OPTIMADE) girişimini başlatmak üzere 2016 yılında bir araya geldi.

OPTIMADE'in amacı, standartlaştırılmış, makine tarafından okunabilir bir formatta malzeme veritabanlarından veri sorgulamak ve almak için ortak bir API spesifikasyonu geliştirmektir. Birçok veritabanına tek bir arayüz sağlayarak, OPTIMADE, araştırmacıların, kullandıkları veritabanı veya yazılımdan bağımsız olarak malzeme verilerine erişmelerini ve bunları iş akışlarına entegre etmelerini kolaylaştıracaktır.

OPTIMADE spesifikasyonu, veritabanları ve istemci uygulamaları arasındaki iletişimi sağlamak için standart HTTP protokollerini ve JSON veri formatlarını kullanan RESTful web tasarımına dayanmaktadır. Veritabanlarının verilerini standartlaştırılmış, kendi kendini açıklayan bir şekilde ortaya çıkarmak için uygulayabileceği bir dizi ortak uç noktayı ve sorgu parametresini tanımlar.

Örneğin, bir istemci uygulaması, demir ve oksijen içeren malzemeleri aramak için OPTIMADE uyumlu bir veritabanına standartlaştırılmış bir formattaki sorgu parametreleriyle basit bir HTTP GET isteği gönderebilir.

Veritabanı sunucusu daha sonra bunu kendi diline çevirir. kendi sorgu dili, aramayı yürütür ve sonuçları JSON'a döndürür. İstemci uygulaması daha sonra temel veritabanı şemasını veya uygulama ayrıntılarını bilmeden standart araçları ve kitaplıkları kullanarak bu sonuçları ayrıştırabilir ve işleyebilir.

OPTIMADE İş Başında

2019 yılından bu yana OPTIMADE benimsendi birçok malzeme veritabanı ve yazılım aracı tarafından.

Bunun bir örneği, Lawrence Berkeley Ulusal Laboratuvarı'nın barındırdığı, bilgisayarlı malzeme özelliklerinin popüler bir veritabanı olan Malzeme Projesi'dir. 2020 yılında Materials Project ekibi, kullanıcıların standart sorgu parametrelerini ve yanıt formatlarını kullanarak geniş veri kümesine erişebilmesi için bir OPTIMADE API'yi uygulamaya koydu.

Baş veritabanı mimarı Dr Shyam Dwaraknath'a göre:

“Malzemeler Projesi'nin OPTIMADE API'si kullanıcılarımız için oyunun kurallarını değiştiren bir şey oldu. Jupyter not defterlerinden ve web uygulamalarından yüksek verimli tarama hatlarına kadar verilerimize erişmeyi ve bunları analiz etmeyi her zamankinden daha kolay hale getiren yepyeni bir araç ve entegrasyon ekosistemini mümkün kıldı."

Yüksek verimli malzeme simülasyonlarından elde edilen ham veriler için bir depo olan NOMAD Arşivi, OPTIMADE'in bir diğer erken uygulayıcısıdır. NOMAD, verilerini bir OPTIMADE API aracılığıyla kullanıma sunarak araştırmacıların büyük ölçekli veri madenciliği yapmasına ve bilgisayarlı özelliklerden oluşan devasa bir veri kümesi üzerinde makine öğrenimi modellerini eğitmesine olanak sağladı.

Fritz Haber Enstitüsü grup lideri ve malzeme bilimi meraklısı yapay zeka Dr. Luca Ghiringhelli'ye göre:

“Veriye dayalı malzeme araştırmalarına ilginin gerçek anlamda arttığını görüyoruz ve OPTIMADE bu konuda önemli bir rol oynuyor. Birden fazla veri tabanına tek bir arayüz sağlayarak veri erişimi ve entegrasyonunun önündeki engelleri azaltıyor ve alanın demokratikleşmesine yardımcı oluyor."

Gerçek Dünya Uygulamaları

OPTIMADE'in etkisi zaten görülüyor Piller ve yenilenebilir enerjiden havacılık ve biyomedikal mühendisliğine kadar birçok malzeme araştırma alanında. İşte bunun nasıl olduğuna dair birkaç örnek:

# 1. Yüksek performanslı termoelektrik bulma: Northwestern Üniversitesi'ndeki araştırmacılar, yeni malzemelerin termoelektrik özelliklerini tahmin etmeye yönelik bir makine öğrenimi modeli geliştirmek amacıyla, Materials Project ve OQMD dahil olmak üzere çok sayıda hesaplamalı veri tabanından gelen verileri birleştirmek için OPTIMADE'i kullandı. Bu veri setini kullanarak, şu anda sentezlenmekte ve test edilmekte olan, potansiyel olarak rekor kıran performansa sahip birkaç yeni bileşik bulmayı başardılar.

# 2. 2D malzemelerin yüksek verimli taranması: Danimarka Teknik Üniversitesi'ndeki bir ekip, Hesaplamalı 50,000D Malzeme Veritabanından (C2DB) 2'den fazla hesaplanmış 2D materyali taramak için OPTIMADE'i kullandı. OPTIMADE filtrelerini kullanarak veritabanını sorgulayarak, yeni nesil elektronik ve optoelektronik için yüksek taşıyıcı hareketliliği veya düşük bant aralığı gibi belirli özelliklere sahip malzemeleri hızlı bir şekilde bulmayı başardılar.

# 3. Yeni pil malzemelerinin hızlı gelişimi: MIT ve Stanford Üniversitesi'ndeki araştırmacılar, Malzeme Projesi, OQMD ve diğer kaynaklardan alınan verileri birleştirerek, pil malzemelerinin özelliklerine ilişkin merkezi bir veritabanı oluşturmak için OPTIMADE'i kullandı. Yeni lityum iyon pil kimyaları için kapasite ve dönüştürülebilirlik gibi temel performans ölçümlerini tahmin etmek amacıyla bu veri kümesi üzerinde bir dizi makine öğrenimi modeli eğittiler. Bu modeller artık elektrikli araçlar ve şebeke depolaması için daha güvenli, daha uzun ömürlü ve daha fazla enerji yoğunluğuna sahip piller geliştirmeye yönelik deneysel çalışmalara rehberlik etmek için kullanılıyor.

# 4. Yüksek entropili alaşımların tasarımı: Maryland Üniversitesi'ndeki bir ekip, yüksek entropi alaşım özelliklerine sahip bir veri seti oluşturmak amacıyla Materials Project, OQMD ve Yüksek Entropi Alaşım Veritabanı (THEAD) dahil olmak üzere birçok hesaplamalı ve deneysel veri tabanından gelen verileri birleştirmek için OPTIMADE'i kullandı. Bu veri kümesini, yeni yüksek entropili alaşım bileşimlerinin oluşum enerjilerini ve faz stabilitelerini tahmin etmek amacıyla bir makine öğrenimi modelini eğitmek için kullandılar. Binlerce adayı tarayabildiler ve deneysel olarak doğrulanacak en umut verici olanları bulmayı başardılar. Bu çalışma, havacılık, savunma ve ötesi için olağanüstü güç, tokluk ve korozyon direncine sahip yeni nesil yüksek entropili alaşımların geliştirilmesinin hızlandırılmasına yardımcı oluyor.

Şimdi gelin bu standartları oluşturmaktan en çok hangi şirketlerin faydalanabileceğine bakalım.

# 1. Tesla (TSLA)

Tesla, Inc., daha iyi pil teknolojileri geliştirme ve üretim süreçlerinde malzemeleri optimize etme yeteneğini artıracak olan OPTIMADE'in standartlaştırılmış veri alışverişinden büyük ölçüde yararlanacak. Bu, Tesla'nın daha yüksek enerji yoğunluğuna, daha uzun kullanım ömrüne ve gelişmiş güvenlik özelliklerine sahip piller oluşturmasına yardımcı olurken aynı zamanda maliyetleri düşürüp sürdürülebilirliği artıracak.

Mali açıdan bakıldığında Tesla, 2023'te bir önceki yıla göre %96.8 artışla 19 milyar dolar gelir bildirdi; bu da onların güçlü finansal büyümesini ve devam eden inovasyon potansiyelini ortaya koyuyor.​

# 2. Intel Şirketi (INTC)

OPTIMADE'in standartlaştırılmış veri alışverişinden önemli ölçüde yararlanacak bir diğer şirket ise teknoloji ve yarı iletken sektörlerinde lider olan Intel Corporation'dır (INTC). Yapay zekadan ve standartlaştırılmış malzeme verilerinden yararlanan Intel, yeni yarı iletken malzemeleri keşfedip tasarlayabilir; bu da daha iyi performansa, daha yüksek verimliliğe ve yeni işlevlere sahip çiplerin geliştirilmesine yol açabilir.

Bu, Intel'in yarı iletken inovasyonunda ön sıradaki konumunu korumasına yardımcı olacak. Dahası, verileri çeşitli veritabanlarına entegre etmek Intel'in araştırma ve geliştirme süreçlerini kolaylaştıracak ve veri yönetimine daha az, inovasyona daha fazla odaklanılmasına olanak tanıyacak.

Mali açıdan Intel, 54.2'te 2023 milyar dolar gelir bildirdi; bu, şirketin sektördeki önemli rolünü ve devam eden büyüme ve gelişme potansiyelini yansıtıyor.

OPTIMADE'in Geleceği

OPTIMADE olduğu gibi olmak benimsenen giderek daha fazla, malzeme bilimi topluluğu veri entegrasyonu ve keşfinde yeni sınırlar araştırıyor. Gelişim alanlarından biri OPTIMADE'in Avrupa Malzeme Modelleme Ontolojisi (EMMO) ve Kristalografik Bilgi Çerçevesi (CIF) gibi diğer veri standartları ve ontolojilerle entegrasyonudur.

Bu farklı standartların ve anlambilimin hizalanması, araştırmacıların birden fazla veri kaynağı, uzunluk, zaman ölçeği, ve malzeme biliminin alanları.

Gelecekteki araştırmalar için bir başka odak noktası da malzeme veri analizi ve makine öğrenimi için daha gelişmiş ve otomatikleştirilmiş araçların geliştirilmesidir. Grafik sinir ağları ve transformatör mimarileri gibi derin öğrenme tekniklerinin yükselişi, bu modellerde malzeme verilerini temsil etmek ve işlemek için hem standartlaştırılmış hem de ölçeklenebilir yöntemlere ihtiyaç duyulduğunun sinyalini veriyor.

OPTİMAL iyi yerleştirilmiş malzeme özellikleri ve yapılarına ilişkin geniş, çeşitli veri kümelerine erişim ve entegrasyon için ortak bir arayüz sağlayabildiğinden bu alanda önemli bir rol oynamak. Fritz Haber Enstitüsü müdürü ve hesaplamalı malzeme biliminin öncülerinden Dr. Matthias Scheffler şöyle diyor:

“OPTIMADE yalnızca verileri daha erişilebilir hale getirmekle ilgili değil, aynı zamanda malzeme keşfi ve tasarımı için yeni paradigmaları mümkün kılmakla da ilgili. Veri odaklı ve yapay zeka destekli malzeme araştırmaları için bir temel sağlayarak, yeni bir inovasyon ve keşif çağının başlamasına yardımcı oluyoruz."

İleriye baktığımızda, daha merkezi olmayan ve işbirliğine dayalı veri paylaşımı modellerini mümkün kılmak için OPTIMADE'in kullanılmasına da ilgi var. malzemelerin keşfi. Örneğin, bazı araştırmacılar verilerin birden fazla kurum ve alan arasında paylaşılabileceği ve sorgulanabileceği güvenli, dağıtılmış OPTIMADE veritabanları ağları oluşturmak için blockchain kullanımını araştırıyor.

Diğerleri, verileri merkezileştirmeye veya uyumlu hale getirmeye gerek kalmadan, merkezi olmayan veri kümeleri üzerinde makine öğrenimi modellerini eğitmek için birleşik öğrenmeye bakıyor. Matgenix ve Data Science OÜ gibi şirketlerdeki araştırmacıların kurumsal sınırlar ötesinde iş birliği yapmalarına ve içgörülerini paylaşmalarına olanak tanıyarak kendi veri ve IP, bu yaklaşımlar malzeme keşfi ve inovasyon hızını hızlandırabilir.

Yapay zekanın Cisco Systems için neden milyar dolarlık bir oyun olduğunu öğrenmek için burayı tıklayın.

Sonuç Düşünceler

Malzeme bilimindeki yapay zeka ve veriye dayalı teknikler, yeni malzemeleri keşfetme, tasarlama ve dağıtma şeklimizi değiştiriyor. Ancak bu yaklaşımları tam olarak gerçekleştirmek için, birden fazla kaynak ve etki alanındaki verilere erişmek ve bunları entegre etmek için sağlam, standartlaştırılmış bir altyapıya ihtiyacımız var.

OPTIMADE API, makine tarafından okunabilen bir ortamda malzeme verilerini sorgulamak ve almak için ortak bir dil ve protokol sağlayarak bunun için önemli bir kolaylaştırıcıdır. biçim. OPTIMADE, veri erişimi ve entegrasyonunun önündeki engelleri azaltarak malzeme araştırmalarını daha demokratik hale getiriyor ve inovasyonu hızlandırıyor.

OPTIMADE giderek daha fazla benimsendikçe ve veriye dayalı malzeme keşfi için yeni araçlar ve teknikler ortaya çıktıkça, gelecekte daha da fazlasının gelmesini bekleyebiliriz. Yeni pil malzemeleri ve yüksek performanslı alaşımlardan özelleştirilmiş ilaçlara ve fonksiyonel nanomateryallere kadar olasılıklar sonsuzdur.

Ancak bunu gerçekleştirmek için açık veri, açık standartlar ve açık bilimin yanı sıra malzeme bilimi topluluğu genelinde sürekli yatırım ve işbirliğine ihtiyacımız var. Yapay zekanın ve veri odaklılığın tüm gücünü ancak disiplinler arası ve kurumsal sınırlar ötesinde birlikte çalışarak ortaya çıkarmayı umabiliriz Malzeme biliminde keşif.

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

"Gelecek parlak ancak veri ve işbirliği hakkındaki düşüncelerimizi değiştirmemiz gerekiyor. OPTIMADE gibi açık standartları kullanarak ve bilgiyi paylaşmak için bir topluluk olarak birlikte çalışarak inovasyonu hızlandırabilir ve bugün karşılaştığımız en büyük sorunlardan bazılarını çözebiliriz."

Genel olarak, OPTIMADE gibi standartların benimsenmesi, veri entegrasyonunu kolaylaştırarak, iş birliğini geliştirerek ve birçok sektörde hızlı inovasyonu teşvik ederek malzeme biliminde devrim yaratacaktır.

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