La inteligencia artificial (IA) está acelerando el desarrollo de nuevos materiales. Un requisito previo para la IA en la investigación de materiales es el uso y el intercambio de datos a gran escala sobre materiales, lo que se ve facilitado por un amplio estándar internacional. Una importante colaboración internacional presenta ahora una versión ampliada del estándar OPTIMADE.
En los superordenadores del Centro Nacional de Supercomputadores de la Universidad de Linköping, los investigadores simulan cómo se comportan los átomos de diferentes materiales. Los datos de dichas simulaciones están disponibles en todo el mundo a través del estándar OPTIMADE para entrenar futuros modelos de IA para la investigación de materiales. De izquierda a derecha: Oskar Andersson, estudiante de doctorado, y Rickard Armiento, profesor asociado. Crédito de la imagen: Magnus Johansson/Universidad de Linköping
Las nuevas tecnologías en áreas como la energía y la sostenibilidad que implican, por ejemplo, baterías, células solares, iluminación LED y materiales biodegradables, requieren nuevos materiales. Muchos investigadores de todo el mundo están trabajando para crear materiales que no existían antes. Pero existen grandes desafíos a la hora de crear materiales con las propiedades exactas requeridas, como no contener sustancias peligrosas para el medio ambiente y al mismo tiempo ser lo suficientemente duraderos como para no descomponerse.
“Ahora estamos viendo un desarrollo explosivo en el que los investigadores en ciencia de materiales están adoptando métodos de IA de otros campos y también desarrollando sus propios modelos para usarlos en la investigación de materiales. El uso de la IA para predecir las propiedades de diferentes materiales abre posibilidades completamente nuevas”, afirma Rickard Armiento, profesor asociado del Departamento de Física, Química y Biología (IFM) de la Universidad de Linköping (Suecia).
IA que puede hacer predicciones
Hoy en día, se realizan muchas simulaciones exigentes en supercomputadoras que describen cómo se mueven los electrones en los materiales, lo que da lugar a diferentes propiedades de los materiales. Estos cálculos avanzados generan grandes cantidades de datos que se pueden utilizar para entrenar modelos de aprendizaje automático.
Estos modelos de IA pueden predecir inmediatamente las respuestas a nuevos cálculos que aún no se han realizado y, por extensión, predecir las propiedades de nuevos materiales. Pero se necesitan enormes cantidades de datos para entrenar los modelos.
«Estamos entrando en una era en la que queremos entrenar modelos con todos los datos que existen», dice Rickard Armiento.
Los datos de simulaciones a gran escala y datos generales sobre materiales se recopilan en grandes bases de datos. Con el tiempo, muchas bases de datos de este tipo han surgido de diferentes grupos y proyectos de investigación, como islas aisladas en el mar. Funcionan de manera diferente y, a menudo, utilizan propiedades que se definen de diferentes maneras.
“Los investigadores de las universidades o de la industria que quieran mapear materiales a gran escala o entrenar un modelo de IA deben recuperar información de estas bases de datos. Por tanto, se necesita un estándar para que los usuarios puedan comunicarse con todas estas bibliotecas de datos y comprender la información que reciben”, afirma Gian-Marco Rignanese, profesor del Instituto de Materia Condensada y Nanociencias de la UCLouvain en Bélgica.
Colaboración mundial
El estándar OPTIMADE (Integración de bases de datos abiertas para el diseño de materiales) se ha desarrollado durante los últimos ocho años. Detrás de este estándar hay una gran red internacional con más de 30 instituciones en todo el mundo y grandes bases de datos de materiales en Europa y EE. UU. El objetivo es brindar a los usuarios un acceso más fácil a las bases de datos de materiales tanto líderes como menos conocidas. Ahora se está lanzando una nueva versión del estándar, v1.2, y se describe en un artículo publicado en la revista Descubrimiento digital. Uno de los mayores cambios en la nueva versión es una posibilidad enormemente mejorada de describir con precisión diferentes propiedades de materiales y otros datos utilizando definiciones comunes y bien fundamentadas.
La colaboración internacional abarca la UE, el Reino Unido, los EE. UU., México, Japón y China junto con instituciones como la École Polytechnique Fédérale de Lausanne (EPFL), la Universidad de California Berkeley, la Universidad de Cambridge, la Universidad Northwestern, la Universidad de Duke y el Instituto Paul Scherrer. y la Universidad Johns Hopkins. Gran parte de la colaboración se lleva a cabo en reuniones con talleres anuales financiados por CECAM (Centre Européen de Calcul Atomique et Moléculaire) en Suiza, siendo el primero financiado por el Centro Lorentz en los Países Bajos. Otras actividades han contado con el apoyo de la organización Psi-k, el centro de competencia NCCR MARVEL en Suiza y el Centro de Investigación de e-Science (SeRC) en Suecia. Los investigadores de la colaboración reciben el apoyo de muchos financiadores diferentes.
Artículo: Desarrollos y aplicaciones de la API OPTIMADE para descubrimiento, diseño e intercambio de datos de materiales.Matthew L. Evans, Johan Bergsma, Andrius Merkys, et al. Descubrimiento digitalpublicado el 24 de junio de 2024, DOI: https://doi.org/10.1039/D4DD00039K (Acceso abierto)
Karin Söderlund Leifler, traducción de Anneli Mosell
Fuente: Universidad de Linköping
!function(f,b,e,v,n,t,s){if(f.fbq)return;n=f.fbq=function(){n.callMethod?
n.callMethod.apply(n,arguments):n.queue.push(arguments)};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)}(window,
document,’script’,’https://connect.facebook.net/en_US/fbevents.js’);
fbq(‘init’, ‘1254095111342376’);
fbq(‘track’, ‘PageView’);
