დღეს დიდი სიხარულით ვაცხადებთ LeMaterial-ის, Entalpic-ისა და Hugging Face-ის მიერ ინიცირებული ღია კოდის კოლაბორაციული პროექტის გაშვებას. LeMaterial მიზნად ისახავს მასალების კვლევის გამარტივებასა და დაჩქარებას, რაც ხელს შეუწყობს მანქანური სწავლების (ML) მოდელების გაწვრთნას, ახალი მასალების იდენტიფიცირებას და ქიმიური სივრცეების შესწავლას. ⚛️🤗 პირველ ნაბიჯად, ჩვენ ვუშვებთ მონაცემთა ნაკრებს სახელწოდებით LeMat-Bulk, რომელიც აერთიანებს, ასუფთავებს და სტანდარტიზაციას უკეთებს ყველაზე ცნობილ მასალების მონაცემთა ნაკრებებს, მათ შორის Materials Project-ს, Alexandria-ს და OQMD-ს — ქმნის ერთ ჰარმონიზებულ მონაცემთა ფორმატს 6.7 მილიონი ჩანაწერით და 7 მასალის თვისებით. LeMaterial გიგანტების მხრებზე დგას და ჩვენ ვაშენებთ ამ ინიციატივის განვითარებაში გადამწყვეტი როლის შემსრულებელ საოცარ პროექტებზე: Optimade, Materials Project, Alexandria და OQMD, და კიდევ ბევრი მომავალში. გთხოვთ, მიუთითოთ მათი ავტორობა LeMaterial-ის გამოყენებისას. მასალების მეცნიერების სამყარო, კვანტური ქიმიისა და მანქანური სწავლების გზაჯვარედინზე, სავსეა შესაძლებლობებით — უფრო კაშკაშა LED-ებიდან, ელექტრო-ქიმიურ ბატარეებამდე, უფრო ეფექტურ ფოტოელექტრულ უჯრედებამდე და გადამუშავებად პლასტმასამდე, გამოყენების სფეროები უსასრულოა. დიდ, სტრუქტურირებულ მონაცემთა ნაკრებებზე მანქანური სწავლების (ML) გამოყენებით, მკვლევარებს შეუძლიათ ახალი მასალების მაღალი გამტარუნარიანობის სკრინინგი და ტესტირება უპრეცედენტო მასშტაბით, რაც მნიშვნელოვნად აჩქარებს სასურველი თვისებების მქონე ახალი ნაერთების აღმოჩენის ციკლს. ამ პარადიგმაში, მონაცემები ხდება არსებითი საწვავი, რომელიც კვებავს ML მოდელებს, რომლებსაც შეუძლიათ ექსპერიმენტების წარმართვა, ხარჯების შემცირება და გარღვევების განბლოკვა უფრო სწრაფად, ვიდრე ოდესმე. ეს სფერო იკვებება ისეთი სრული მონაცემთა ნაკრებებით, როგორიცაა Materials Project, Alexandria და OQMD, რომლებიც ყველა ღია კოდის პროექტია და CC-BY-4.0 ლიცენზიის ქვეშაა. თუმცა, ეს მონაცემთა ნაკრებები განსხვავდება ფორმატით, პარამეტრებითა და მოცულობით, რაც შემდეგ გამოწვევებს ქმნის: ეს ფრაგმენტული ლანდშაფტი ართულებს AI4Science-ისა და მასალების ინფორმატიკის მკვლევარებისთვის არსებული მონაცემების ეფექტურად გამოყენებას. მიუხედავად იმისა, გამოყენება მოიცავს ფუნდამენტური ML მოდელების გაწვრთნას, ზუსტი ფაზური დიაგრამების აგებას, ახალი მასალების იდენტიფიცირებას თუ ქიმიური სივრცის ეფექტურ შესწავლას, მარტივი გადაწყვეტა არ არსებობს. მიუხედავად იმისა, რომ Optimade-ის მსგავსი ინიციატივები სტანდარტიზაციას უკეთებს სტრუქტურულ მონაცემებს, ისინი არ ეხებიან მასალის თვისებების შეუსაბამობებს ან მონაცემთა ნაკრების მოცულობის მიკერძოებას. LeMaterial ამ გამოწვევებს უმკლავდება სამი ძირითადი მონაცემთა ბაზიდან — Materials Project, Alexandria და OQMD — მონაცემების გაერთიანებითა და სტანდარტიზაციით მაღალი ხარისხის რესურსად, თანმიმდევრული და სისტემატური თვისებებით. ელემენტარული შემადგენლობის ქვემოთ მოცემული ტრიმაპი ხაზს უსვამს ამ ინტეგრაციის ღირებულებას, აჩვენებს, თუ როგორ ვზრდით არსებული მონაცემთა ნაკრებების (როგორიცაა Materials Project), რომლებიც ორიენტირებულია კონკრეტულ მასალის ტიპებზე, მაგალითად, ბატარეის მასალებზე (Li, O, P) ან ოქსიდებზე. LeMat-Bulk უფრო მეტია, ვიდრე ფართომასშტაბიანი გაერთიანებული მონაცემთა ნაკრები შემწყნარებლური ლიცენზიით (CC-BY-4.0). თავისი 6.7 მილიონი ჩანაწერით თანმიმდევრული თვისებებით, ის წარმოადგენს ფუნდამენტურ ნაბიჯს მასალების მეცნიერებისთვის კურირებული და სტანდარტიზებული ღია ეკოსისტემის შესაქმნელად, რომელიც შექმნილია კვლევის სამუშაო პროცესების გასამარტივებლად და მონაცემთა ხარისხის გასაუმჯობესებლად. მასალების ინტერაქტიულად დასათვალიერებლად, იხილეთ Materials Explorer სივრცე, რომელიც აგებულია MP Dash კომპონენტების გამოყენებით. იხილეთ სრული მონაცემთა ბარათი. ჩვენ ვთავაზობთ სხვადასხვა მონაცემთა ნაკრებებსა და ქვე-ნაკრებებს, რაც მკვლევარებს საშუალებას აძლევს, მათი საჭიროებების მიხედვით შექმნან მორგებული სამუშაო პროცესები (თანმიმდევრული გამოთვლები, მასალების დედუპლიკაცია ან ყოვლისმომცველი კვლევა). ამ სტანდარტიზებული მონაცემთა ნაკრების შექმნის გარდა, LeMaterial-ის ერთ-ერთი მთავარი წვლილი არის მასალის „თითის ანაბეჭდის“ განმარტების შეთავაზება ჰეშირების ფუნქციის მეშვეობით, რომელიც თითოეულ მასალას უნიკალურ იდენტიფიკატორს ანიჭებს. მონაცემთა ბაზასთან მიმართებაში მასალის სიახლის იდენტიფიცირების ამჟამინდელი მიდგომები უპირატესად ეყრდნობა მსგავსების მეტრიკას, რაც მოითხოვს კომბინატორულ ძალისხმევას არსებული მონაცემთა ბაზის სიახლისთვის შესამოწმებლად. მონაცემთა ნაკრებში სიახლის უფრო სწრაფი აღმოსაჩენად, Entalpic გვთავაზობს ჰეშირების მეთოდს მასალის „თითის ანაბეჭდის“ გამოსათვლელად. ქვემოთ მოცემულია ჩვენი ჰეშის ფუნქციის შედარება Pymatgen-ის StructureMatcher-თან, რათა ვიპოვოთ მონაცემთა ნაკრების ყველა დუბლიკატი. ექსპერიმენტი ჩატარდა ორ მონაცემთა ნაკრებზე, რომლებსაც ძალიან განსხვავებული სტრუქტურები ჰქონდათ. ჩვენი მეთოდის გამოყენებისას, ამოცანის თითქმის მთელი დრო მასალის ჰეშების გამოთვლას დაეთმო; შემდგომი შედარების ეტაპი დროის თვალსაზრისით უმნიშვნელოა. StructureMatcher-ის გამოყენებისას, ამოცანის დროის უმეტესი ნაწილი სტრუქტურების წყვილების შედარებას მოხმარდა; აღნიშნული სტრუქტურების აგება დროის თვალსაზრისით უმნიშვნელოა. გარდა ამისა, ჩვენ ვგეგმავთ კარგად კურირებული ბენჩმარკების გამოშვებას ჩვენი ჰეშირების ფუნქციის ვალიდურობის შესაფასებლად. გრძელვადიან პერსპექტივაში, LeMaterial მიზნად ისახავს იყოს საზოგადოებაზე ორიენტირებული ინიციატივა, რომელიც აგროვებს დიდ და კურირებულ მონაცემთა ნაკრებებს, მანქანური სწავლების მოდელებს, სასარგებლო ხელსაწყოებს და ა.შ. ის შექმნილია პრაქტიკული და მოქნილი იყოს.