Nya teknologier inom exempelvis energi och hållbarhet såsom batterier, solceller, LED-belysning och biologiskt nedbrytbara material kräver nya material. Många forskare runt om i världen jobbar med att skapa material som inte existerat tidigare. Men det är en stor utmaning att skapa material med just de egenskaper som krävs, som exempelvis att inte innehålla miljöfarliga ämnen och samtidigt vara tillräckligt hållbara för att inte gå sönder.
– Nu ser vi något av en explosionsartad utveckling där forskare inom materialvetenskap anpassar AI-metoder från andra fält och också utvecklar egna modeller att använda inom materialforskning. Att ta hjälp av AI för att förutsäga egenskaper hos olika material öppnar helt nya möjligheter, säger Rickard Armiento, universitetslektor vid Institutionen för fysik, kemi och biologi (IFM) vid Linköpings universitet.
AI som kan förutsäga materialegenskaper
I dag görs många krävande simuleringar på superdatorer som beskriver hur elektroner rör sig i material, vilket ger upphov till olika materialegenskaper. De här avancerade beräkningarna ger stora mängder data som kan användas för att träna maskininlärningsmodeller.
Dessa AI-modeller kan sedan sekundsnabbt förutsäga svaren på nya beräkningar som ännu inte gjorts, och i förlängningen förutsäga egenskaper hos nya material. Men för att träna upp modellerna krävs enorma mängder data.
– Vi rör oss in i en era där vi vill träna modeller på all data som finns, säger Rickard Armiento.
Data från storskaliga simulationer, och allmänna data om material, samlas i stora databaser. Med tiden har många sådana databaser uppstått ifrån olika forskargrupper och projekt, likt isolerade öar i ett hav. De fungerar olika och använder ofta egenskaper som är definierade på olika sätt.
– Forskare på universiteten eller i industrin som vill kartlägga material på en större skala eller vill träna en AI-modell måste inhämta information från dessa databaser. Därför behövs en standard så att användarna kan kommunicera med alla dessa databibliotek och förstå informationen de får, säger Gian-Marco Rignanese, professor vid the Institute of Condensed Matter and Nanosciences vid UCLouvain i Belgien.
Samarbete över hela världen
I åtta år har standarden OPTIMADE (Open databases integration for materials design) utvecklats. Bakom standarden finns ett stort internationellt nätverk med över 30 institutioner över hela världen och stora materialdatabaser i Europa och USA. Syftet är att ge användarna lättare åtkomst till både ledande och mindre kända materialdatabaser.
Nu släpps en ny version av standarden, v1.2, som beskrivs i en artikel som publicerats i tidskriften Digital Discovery. En av de största förändringarna i den nya versionen är en kraftigt utökad möjlighet att precist beskriva olika materialegenskaper och andra data med gemensamma, väl underbyggda definitioner.
Det internationella samarbetet sträcker sig över EU, Storbritannien, USA, Mexiko, Japan och Kina tillsammans med institutioner som École Polytechnique Fédérale de Lausanne (EPFL), University of California Berkeley, University of Cambridge, Northwestern University, Duke University, Paul Scherrer Institut och Johns Hopkins University. Mycket av samarbetet sker i möten med årliga workshops finansierade av CECAM (Centre Européen de Calcul Atomique et Moléculaire) i Schweiz, med den första finansierad av Lorentz Center i Nederländerna. Andra aktiviteter har stötts av organisationen Psi-k, kompetenscenter NCCR MARVEL i Schweiz, och e-Science Research Centre (SeRC) i Sverige.
Forskarna i samarbetet erhåller stöd från många olika finansiärer. Rickard Armiento finansierar sitt arbete med standarden med medel ifrån SeRC och Vetenskapsrådet.
Artikel: , Matthew L. Evans, Johan Bergsma, Andrius Merkys, et al. Digital Discovery, publicerad 24 juni 2024, DOI: https://doi.org/10.1039/D4DD00039K (Open Access)