datascribe_api: Enabling Data-Driven Materials Discovery with DataScribe

De zoektocht naar nieuwe materialen is een langzame, moeizame onderneming die de menselijke geschiedenis heeft gevormd, van het eerste smelten van koper tot de ontwikkeling van de siliconen chips die het moderne leven aandrijven. Vandaag de dag zijn wetenschappers niet langer beperkt tot de trial-and-error-methoden uit het verleden; ze kunnen simuleren hoe atomen zich kunnen rangschikken om sterkere, lichtere of meer hittebestendige stoffen te creëren. Deze digitale revolutie heeft echter een nieuw soort knelpunt gecreëerd. De wereld is nu gevuld met enorme digitale bibliotheken die miljoenen metingen en simulaties bevatten, maar deze records liggen verspreid over verschillende systemen, die elk hun eigen taal spreken en hun eigen geheimen bewaren. Een onderzoeker die op zoek is naar een specifiek type metaallegering, moet misschien inloggen op drie verschillende websites, drie verschillende manieren leren om te zoeken en resultaten handmatig in een spreadsheet kopiëren en plakken, een proces dat tijdrovend is, foutgevoelig en vaak leidt tot het achterlaten van waardevolle gegevens.

Om deze versnippering op te lossen, heeft een team van onderzoekers aan de Texas A&M University een nieuwe tool ontwikkeld genaamd datascribe_api, die fungeert als een universele vertaler voor de wereld van de materiaalkunde. In plaats van wetenschappers te dwingen door een doolhof van afzonderlijke databases te navigeren, verbindt deze software direct met een centraal platform genaamd DataScribe, dat informatie aggregeert van grote publieke repositories zoals de Materials Project, AFLOW en OQMD, evenals van private datatabellen waar onderzoeksgroepen hun eigen experimentele resultaten opslaan. De tool stelt een wetenschapper in staat om een vraag te stellen in een eenvoudige, Engels-achtige logica — zoals "toon me alle legeringen die harder zijn dan een bepaalde waarde en die zijn getest onder een specifiekelijke temperatuur" — en direct een schone, georganiseerde lijst met resultaten te ontvangen die klaar is voor analyse. Het handelt het complexe werk van inloggen, het vinden van de juiste gegevens en het formatteren van de output af, zodat de onderzoeker zich kan concentreren op de wetenschap in plaats van op de mechanica van gegevensretrieval.

De kernprestatie van dit werk is de unificatie van gegevenstoegang. Voordat deze tool bestond, moest een wetenschapper die geïnteresseerd was in het vergelijken van resultaten over verschillende databases heen, drie aparte softwarepakketten installeren en onderhouden, elk met zijn eigen unieke regels voor hoe vragen gesteld moeten worden en hoe de antwoorden geïnterpreteerd moeten worden. Deze overhead ontmoedigde grondige kruiscontrole en maakte het moeilijk om reproduceerbare workflows te delen. De nieuwe bibliotheek elimineert deze barrière door een enkele, consistente interface te bieden. Het behandelt gegevens uit publieke databases en private laboratoriumnotitieboeken als onderdeel van hetzelfde systeem. Wanneer een onderzoeker de tool gebruikt, kan hij door miljoenen records filteren met behulp van standaard vergelijkingslogica, waarbij precies de kolommen met gegevens wordt geselecteerd die nodig zijn, zoals chemische samenstelling of hardheid, zonder complexe code te schrijven om de resultaten te parsen. De software converteert deze ruwe datastromen automatisch naar een formaat dat direct kan worden gebruikt voor statistische analyse of machine learning, waardoor de noodzaak voor tijdrovende handmatige opschoning verdwijnt.

De onderzoekers hebben het systeem ontworpen om intuïtief te zijn voor wetenschappers die experts zijn in materialen, maar niet noodzakelijkerwijs in software engineering. In plaats van gebruikers te vereisen complexe scripts te schrijven om netwerkverbindingen of authenticatie af te handelen, beheert de tool deze technische details automatisch. Het valideert elk stukje data dat het ontvangt om te garanderen dat het voldoet aan de verwachte structuur, waardoor stille fouten worden voorkomen waarbij een getal per ongeluk als tekst wordt gelezen of een ontbrekende waarde onopgemerkt blijft. Als een onderzoeker om gegevens vraagt die niet bestaan of een filter gebruikt die geen zin heeft, geeft het systeem onmiddellijk een duidelijke foutmelding. Bovendien bevat de tool een command-line interface, waardoor het kan worden gebruikt in geautomatiseerde workflows waarbij scripts op de achtergrond kunnen draaien om direct gegevens in modellen te voeden die materiaaleigenschappen voorspellen of experimentele ontwerpen optimaliseren.

De praktische waarde van deze aanpak werd aangetoond in een specifieke casestudy betreffende refractaire hoog-entropie legeringen, een complexe klasse metalen die bekend staan om hun vermogen om extreme hitte te weerstaan. Met behulp van de nieuwe tool haalden onderzoekers een dataset van experimentele resultaten op, filterden deze op specifieke eigenschappen en gebruikten deze om een machine learning-model te trainen. Het model voorspelde met succes de kruipmerit van deze legeringen met een hoge mate van nauwheid, waarbij een score van 0,956 werd behaald op een standaard schaal van voorspellingskwaliteit. Dit succes kwam niet alleen door het model zelf, maar door de datapipeline die het voedde. Omdat het gehele proces van het selecteren en filteren van de gegevens werd vastgelegd in het script waarmee de tool werd uitgevoerd, werd de dataset zelf een transparant, reproduceerbaar record. Elke andere wetenschapper kan hetzelfde script uitvoeren en exact dezelfde set gegevenspunten ophalen, wat ervoor zorgt dat de basis van het onderzoek solide en verifieerbaar is.

Buiten het directe technische succes adresseert de tool een cruciale behoefte aan traceerbaarheid in de moderne wetenschap. In het verleden, wanneer gegevens werden samengesteld via webinterfaces of handmatige downloads, gingen de specifieke keuzes die werden gemaakt over welke records wel of niet werden opgenomen vaak verloren, waardoor het moeilijk was om precies te begrijpen hoe een trainingsdataset tot stand was gekomen. Met deze software is de logica die gebruikt is om gegevens te selecteren even expliciet als de code die gebruikt wordt om een model te trainen. Elke zoekopdracht bevat een verslag van waar de gegevens vandaan komen, of het nu een publieke database of een private labtabel is, wat voldoet aan de strenge standaarden die vereist zijn voor open en eerlijke wetenschappelijke praktijk. De tool is nu beschikbaar voor gebruik door de wereldwijde gemeenschap, gepubliceerd met volledige documentatie en getest om te garanderen dat het betrouwbaar werkt op verschillende besturingssystemen. Door de kloof tussen verspreide databronnen en de wetenschappers die ze nodig hebben te overbruggen, stelt datascribe_api het vakgebied van materiaaldetectie in staat om sneller te bewegen, met meer vertrouwen en helderheid.