Internationellt samarbete främjar AI-utveckling för solceller & materialforskning

Två män står framför en rad datorservrar i ett datacenter. Mannen till vänster bär glasögon och en ljus skjorta med knäppning, medan mannen till höger bär en mörk tröja över en krage. Båda är vända mot kameran.

Artificiell intelligens (AI) snabbar upp utvecklingen av nya material. En grundförutsättning för AI inom materialforskning är omfattande användning och delning av materialdata, något som underlättas av en internationellt erkänd standard. Forskare vid Linköpings universitet är delaktiga i att organisera ett stort internationellt samarbete som nu presenterar en utökad version av standarden OPTIMADE.

Framtidens teknologier inom energi och hållbarhet, såsom batterier, solceller, LED-belysning och biologiskt nedbrytbara material, kräver nya material. Många forskare världen över arbetar för att skapa material med specifika egenskaper, som att vara miljövänliga och hållbara.

“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.

Dagens avancerade simuleringar på superdatorer beskriver elektronernas rörelser i material, vilket ger viktiga insikter om materialegenskaper. Dessa beräkningar genererar stora mängder data som kan användas för att träna maskininlärningsmodeller.

AI-modeller kan sedan snabbt förutsäga resultat från nya beräkningar och i förlängningen egenskaper hos nya material. Men för att träna dessa modeller 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 simuleringar och allmänna materialdata samlas i stora databaser. Med tiden har många sådana databaser uppstått från olika forskargrupper och projekt, ofta med olika sätt att definiera egenskaper.

– “Forskare på universiteten eller i industrin som vill kartlägga material på en större skala eller 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.

I åtta år har standarden OPTIMADE (Open databases integration for materials design) utvecklats av ett internationellt nätverk med över 30 institutioner världen över och stora materialdatabaser i Europa och USA. Syftet är att ge användarna lättare tillgång till både ledande och mindre kända materialdatabaser.

Nu släpps en ny version av standarden, v1.2, som beskrivs i tidskriften Digital Discovery. En av de största nyheterna i den nya versionen är en kraftigt förbättrad möjlighet att precist beskriva olika materialegenskaper och annan data med gemensamma, väldefinierade termer.

Det internationella samarbetet inkluderar 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.

Samarbetet sker främst genom 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 Psi-k, kompetenscentret NCCR MARVEL i Schweiz och e-Science Research Centre (SeRC) i Sverige. Forskarna erhåller stöd från många olika finansiärer. Rickard Armiento finansierar sitt arbete med standarden med medel från SeRC och Vetenskapsrådet.

Källa:
Linköpings universitet (LiU)