Kunstmatige intelligentie (AI) versnelt de ontwikkeling van nieuwe materialen. Een voorwaarde voor AI in materiaalonderzoek is het gebruik en delen van grootschalige data over materialen, wat gefaciliteerd wordt door een brede internationale standaard. Een grote internationale samenwerking presenteert nu een uitgebreide versie van de OPTIMADE-standaard.
Op supercomputers van het National Supercomputer Center van de Universiteit van Linköping simuleren onderzoekers hoe atomen van verschillende materialen zich gedragen. Gegevens uit dergelijke simulaties zijn wereldwijd beschikbaar via de OPTIMADE-standaard om toekomstige AI-modellen voor materiaalonderzoek te trainen. Van links naar rechts: Oskar Andersson, promovendus, en Rickard Armiento, universitair hoofddocent. Afbeelding tegoed: Magnus Johansson/Linköping Universiteit
Nieuwe technologieën op het gebied van bijvoorbeeld energie en duurzaamheid, zoals bijvoorbeeld batterijen, zonnecellen, LED-verlichting en biologisch afbreekbare materialen, vragen om nieuwe materialen. Veel onderzoekers over de hele wereld werken aan het creëren van materialen die voorheen niet bestonden. Maar er zijn grote uitdagingen bij het maken van materialen met precies de vereiste eigenschappen, zoals dat ze geen milieugevaarlijke stoffen bevatten en tegelijkertijd duurzaam genoeg zijn om niet af te breken.
“We zien nu een explosieve ontwikkeling waarbij materiaalwetenschappers AI-methoden uit andere vakgebieden overnemen en ook hun eigen modellen ontwikkelen voor gebruik in materiaalonderzoek. Het gebruik van AI om de eigenschappen van verschillende materialen te voorspellen opent compleet nieuwe mogelijkheden”, zegt Rickard Armiento, universitair hoofddocent bij de afdeling Natuurkunde, Scheikunde en Biologie (IFM) van de Universiteit van Linköping (Zweden).
AI die voorspellingen kan doen
Tegenwoordig worden er veel veeleisende simulaties uitgevoerd op supercomputers die beschrijven hoe elektronen in materialen bewegen, wat resulteert in verschillende materiaaleigenschappen. Deze geavanceerde berekeningen genereren grote hoeveelheden gegevens die kunnen worden gebruikt om machine learning-modellen te trainen.
Deze AI-modellen kunnen direct reacties voorspellen op nieuwe berekeningen die nog niet zijn uitgevoerd en bij uitbreiding de eigenschappen van nieuwe materialen voorspellen. Maar er zijn enorme hoeveelheden gegevens nodig om de modellen te trainen.
“We gaan een tijdperk binnen waarin we modellen willen trainen met alle beschikbare data”, zegt Rickard Armiento.
Gegevens uit grootschalige simulaties en algemene materiaalgegevens worden verzameld in grote databases. In de loop van de tijd zijn er veel van dergelijke databases ontstaan uit verschillende onderzoeksgroepen en projecten, zoals geïsoleerde eilanden in de zee. Ze werken anders en gebruiken vaak eigenschappen die op verschillende manieren zijn gedefinieerd.
“Onderzoekers aan universiteiten of de industrie die grootschalige materialen in kaart willen brengen of een AI-model willen trainen, moeten informatie uit deze databases halen. Daarom is er een standaard nodig zodat gebruikers met al deze databibliotheken kunnen communiceren en de informatie die ze ontvangen kunnen begrijpen”, zegt Gian-Marco Rignanese, professor aan het Instituut voor Gecondenseerde Materie en Nanowetenschappen aan de UCLouvain in België.
Mondiale samenwerking
De OPTIMADE-standaard (Open Database Integration for Materials Design) is de afgelopen acht jaar ontwikkeld. Achter deze standaard schuilt een groot internationaal netwerk met meer dan 30 instellingen over de hele wereld en grote materiaaldatabases in Europa en de VS. Het doel is om gebruikers gemakkelijker toegang te geven tot materiaaldatabases, zowel leiders als minder bekende. Een nieuwe versie van de standaard, v1.2, wordt nu uitgebracht en wordt beschreven in een artikel dat in het tijdschrift is gepubliceerd Digitale ontdekking. Een van de grootste veranderingen in de nieuwe versie is een sterk verbeterd vermogen om verschillende materiaaleigenschappen en andere gegevens nauwkeurig te beschrijven met behulp van gemeenschappelijke en goed onderbouwde definities.
Internationale samenwerking omvat de EU, het VK, de VS, Mexico, Japan en China, naast instellingen als École Polytechnique Fédérale de Lausanne (EPFL), University of California Berkeley, University of Cambridge, Northwestern University, Duke University en het Paul Scherrer Institute. en Johns Hopkins Universiteit. Een groot deel van de samenwerking vindt plaats tijdens bijeenkomsten met jaarlijkse workshops die worden gefinancierd door CECAM (Centre Européen de Calcul Atomique et Moléculaire) in Zwitserland, waarbij de eerste wordt gefinancierd door het Lorentz Centrum in Nederland. Andere activiteiten zijn ondersteund door de Psi-k-organisatie, het NCCR MARVEL-competentiecentrum in Zwitserland en het e-Science Research Center (SeRC) in Zweden. Onderzoekers in de samenwerking krijgen steun van veel verschillende financiers.
Artikel: Ontwikkelingen en toepassingen van de OPTIMADE API voor ontdekking, ontwerp en uitwisseling van materiaalgegevens.Matthew L. Evans, Johan Bergsma, Andrius Merkys, et al. Digitale ontdekkinggepubliceerd op 24 juni 2024, DOI: https://doi.org/10.1039/D4DD00039K (Open Access)
Karin Söderlund Leifler, vertaling door Anneli Mosell
Fontein: Linköping Universiteit
!function(f,b,e,v,n,t,s){if(f.fbq)return;n=f.fbq=function(){n.callMethod?
n.callMethod.apply(n,argumenten):n.queue.push(argumenten)};if(!f._fbq)f._fbq=n;
n.push=n;n.loaded=!0;n.version=’2.0′;n.queue=[];t=b.createElement(e);t.async=!0;
t.src=v;s=b.getElementsByTagName(e)[0];s.parentNode.insertBefore(t,s)}(venster,
document,’script’,’https://connect.facebook.net/en_US/fbevents.js’);
fbq(‘init’, ‘1254095111342376’);
fbq(‘track’, ‘Paginaweergave’);
