Atoms that Matter: Largest Materials Datasets Are 99% Redundant, and Local Chemistry Can Guide the Required 1%
Deze studie toont aan dat het trainen van machine learning-krachtvelden op minder dan 1% van de OMat24-dataset door het selecteren van structureel en chemisch onderscheidende lokale omgevingen een nauwkeurigheid oplevert die vergelijkbaar is met modellen die zijn getraind op de volledige set van 100 miljoen structuren, wat bewijst dat chemische diversiteit in plaats van louter datavolume de kritieke factor is voor algemeen bruikbare modellering van materialen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de zoektocht naar het begrijpen van hoe de fysieke wereld bij elkaar blijft, hebben wetenschappers lang vertrouwd op een krachtig maar duur instrument: kwantummechanica. Deze tak van de natuurkunde stelt onderzoekers in staat om te berekenen hoe atomen met elkaar interageren, waarbij alles wordt voorspeld van de sterkte van een nieuw metaal tot de manier waarop een batterij energie opslaat. Deze berekeningen zijn echter zo rekenintensief dat het simuleren van zelfs maar een klein stukje materiaal voor een fractie van een seconde dagen of weken kan duren op de krachtigste supercomputers ter wereld. Om deze flessenhals te overwinnen, is er een nieuwe generatie kunstmatige intelligentie opgekomen. Deze machine learning-modellen fungeren als een kortere weg; ze worden getraind op enorme bibliotheken van kwantumcalculaties en leren vervolgens het gedrag van atomen bijna onmiddellijk te voorspellen, waarbij ze de nauwkeurigheid van de zware berekeningen bieden met de snelheid van een eenvoudige gok. De heersende opvatting in het vakgebied is geweest dat om deze AI-modellen werkelijk betrouwbaar en in staat te maken om elk materiaal te behandelen, ze gevoed moeten worden met een enorme hoeveelheid data, vaak oplopend tot honderden miljoenen atomaire configuraties.
Een team onderzoekers aan de Universiteit van Luxemburg heeft deze aanname uitgedaagd en suggereert dat de omvang van deze datalibs mogelijk een illusie van noodzaak is. Zij onderzochten de Open Materials 2024-dataset, een enorme collectie die meer dan 110 miljoen structuren bevat, die als fundament heeft gediend voor de meest geavanceerde AI-krachtvelden tot nu toe. De onderzoekers stelden een eenvoudige vraag: heeft het model werkelijk al die 110 miljoen voorbeelden nodig om te leren, of is het grootste deel van die informatie slechts een herhaling van dezelfde chemische lessen? Om dit te achterhalen, trainden zij nieuwe AI-modellen op minuscule segmenten van deze enorme dataset—specifiek, subsets die minder dan één procent van de totale atomen bevatten, oftewel ongeveer 6,5 miljoen atomen. Zij testten drie verschillende manieren om deze segmenten te kiezen: het willekeurig kiezen van atomen, het gebruik van een geavanceerde clusteringmethode om onderscheidende groepen te vinden, en het toepassen van een nieuwe techniek die zij zelf hadden ontwikkeld die de unieke lokale omgevingen rond elk atoom telt.
De resultaten waren opmerkelijk. De modellen die getraind waren op deze kleine, zorgvuldig geselecteerde subsets presteerden net zo goed als het model dat getraind was op de volledige dataset van 110 miljoen structuren. In tests die maten hoe nauwkeurig de AI de krachten kon voorspellen die atomen bij elkaar houden, waren de modellen met de kleine subset bijna identiek aan het reusachtige model. Ze kwamen ook overeen met het volledige model bij het voorspellen van belangrijke fysische eigenschappen, zoals de mate waarin een materiaal uitzet bij verhitting, de stijfheid ervan en hoe gemakkelijk lithiumionen erdoorheen bewegen. Misschien wel het meest verrassend was dat toen de onderzoekers deze modellen tot hun uiterste dreven door simulaties onder extreme omstandigheden uit te voeren—waarbij temperaturen werden opgestuurd naar 3000 Kelvin en druk naar 500 gigapascal, condities die diep in planeten worden aangetroffen—de modellen getraind op de kleine subsets juist stabieler en betrouwbaarder bleken te zijn dan de een die getraind was op de volledige dataset. Het model van de volledige dataset crashte regelmatig onder deze extreme stress, terwijl de gestroomlijnde versies gewoon bleven draaien, wat suggereert dat de extra 99 procent aan data geen robuustheid toevoegde, maar eerder redundantie introduceerde.
De onderzoekers ontdekten dat de sleutel tot het bouwen van een beter model niet de omvang was, maar de variëteit. Zij vonden dat de enorme dataset veel structuren bevatte die exact dezelfde lokale chemische omgevingen deelden, wat in essentie een herhaling was van dezelfde informatie. Om dit op te lossen, introduceerden zij een methode genaamd EnvTok, die fungeert als een catalogus voor atomaire omgevingen. In plaats van naar de hele structuur te kijken, breekt het de materie af in de directe omgeving van elk atoom, waarbij genoteerd wordt welke elementen aanwezig zijn, hoe ze gerangschikt zijn en hoe zeer ze worden samengedrukt of uitgerekt. Door deze catalogus te gebruiken om alleen de structuren te selecteren die een nieuwe, unieke omgeving bieden, konden zij een trainingsset samenstellen die het gehele chemische landschap besloeg zonder de herhaling. Deze aanpak stelde hen in staat om de essentiële 1 procent aan data te identificeren die de werkelijke informatie draagt, en de rest achter te laten.
Deze bevinding suggereert een grote verschuiving in hoe wetenschappers kunstmatige intelligentie voor materiaalkunde moeten benaderen. In plaats van enorme computationele middelen te besteden aan het labelen en verwerken van miljarden redundante structuren, kunnen onderzoekers zich nu concentreren op het identificeren en labelen van alleen de onderscheidende, chemisch unieke configuraties. Deze efficiëntie opent de deur naar het gebruik van nog nauwkeurigere, hogere-orde natuurkundige berekeningen om deze modellen te trainen, een stap die voor dergelijke grote datasets voorheen te kostbaar was om te overwegen. Door het computationele budget vrij te maken, kunnen wetenschappers nu een breder scala aan chemische omgevingen verkennen en de grenzen van wat deze modellen kunnen voorspellen verleggen, van het ontwerpen van nieuwe superharde materialen tot het begrijpen van de binnenkant van verre planeten. De studie bevestigt dat in de wereld van atomaire simulatie de kwaliteit van de informatie veel belangrijker is dan de kwantiteit van de data.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.