Resumo Técnico: Uma Ontologia para Potenciais Interatômicos de Aprendizado de Máquina

Declaração do Problema

O campo dos Potenciais Interatômicos de Aprendizado de Máquina (MLIPs) expandiu-se rapidamente, com o número de publicações subindo de aproximadamente 50 por ano em 2015 para mais de 1.500 em 2024. Apesar desse crescimento, os metadados necessários para comparar, reproduzir e construir sobre estudos de MLIP de forma sistemática permanecem fragmentados. Informações críticas relativas a algoritmos, hiperparâmetros, conjuntos de dados de treinamento, proveniência de Teoria do Funcional da Densidade (DFT) e precisão de benchmark estão dispersas entre artigos, materiais suplementares, scripts e formatos de arquivo ad-hoc.

As ontologias existentes falham em preencher essa lacuna. Ontologias de aprendizado de máquina gerais (ex: ML-Schema, DMOP) carecem de conceitos específicos da física, como raios de corte (cutoff radii), funções de base angular/radial e configurações de referência de DFT. Por outro outro lado, ontologias de ciência dos materiais (ex: MDO, CMSO/ASMO, EMMO) modelam estruturas físicas e cálculos, mas não capturam estratégias de treinamento específicas de MLIP, hiperparâmetros por algoritmo ou comparações de benchmark entre diferentes artigos. Consequentemente, pesquisadores não conseguem consultar facilmente quais métodos alcançam alvos de precisão específicos em materiais específicos ou identificar dados de treinamento compatíveis com configurações de DFT específicas.

Metodologia

Os autores apresentam a ontologia MLIPs, uma ontologia OWL 2 DL projetada para capturar os conceitos necessários para descrever métodos de MLIP, seus hiperparâmetros, conjuntos de dados de treinamento (com proveniência de DFT) e benchmarks publicados. O desenvolvimento seguiu a metodologia Linked Open Terms (LOT), envolvendo discussões iterativas com especialistas do domínio (cientistas de materiais e desenvolvedores de MLIP) para definir requisitos.

Estrutura da Ontologia

A ontologia é organizada em três módulos primários:

1. Método (Method): Define famílias de MLIP (ex: MTP, MACE, HDNNP) como distintas de algoritmos de ML genéricos. Ela agrupa a forma funcional, a função de perda, o algoritmo de treinamento e os descritores de ambiente atômico. Crucialmente, trata os hiperparâmetros como entidades de primeira classe com unidades, intervalos e valores padrão, distinguindo entre hiperparâmetros físicos, arquiteturais e de treinamento.
2. Dados de Treinamento (Training Data): Modela conjuntos de dados de treinamento como coleções de configurações atômicas derivadas de cálculos de referência (DFT ou métodos de função de onda). Captura a proveniência do conjunto de dados (publicado, interno, aumentado), tamanho, propriedades cobertas (energia, forças, tensões) e configurações específicas de cálculo de referência (ex: funcional XC, tipo de pseudopotencial, malha de pontos k).
3. Benchmark: Estrutura os resultados de avaliação, vinculando modelos treinados a sistemas de materiais específicos e reportando métricas de precisão (ex: RMSE, MAE) com unidades.

Decisões de Design e Alinhamento

• Descontinuidade entre Método e Algoritmo: A ontologia declara explicitamente MLIPMethod e mls:Algorithm (do ML-Schema) como disjuntos. Um método de MLIP é visto como uma "receita" composta por um descritor, forma funcional e função de perda, que utiliza um algoritmo de treinamento (ex: Adam, L-BFGS). Essa distinção preserva a natureza específica do domínio das famílias de MLIP enquanto mantém o alinhamento com fluxos de trabalho de ML genéricos.
• Alinhamento: A ontologia integra 22 axiomas de alinhamento formal conectando-se a vocabulários existentes: ML-Schema (fluxos de trabalho de ML), PROV-O (proveniência), MDO e CMSO/ASMO (ciência dos materiais), schema.org (metadados bibliográficos) e QUDT (unidades).
• Validação: O esquema impõe completude e consistência de dados através de 27 axiomas formais (incluindo cadeias de propriedades) e formas SHACL.

Avaliação

A ontologia foi avaliada através de:

1. Grafo de Conhecimento Semeadura (Seeded Knowledge Graph): 20 estudos de MLIP publicados foram codificados em um grafo de conhecimento (5.027 triplas) usando um protocolo de extração por IA agêntica, seguido de revisão por especialistas.
2. Perguntas de Competência (CQs): Nove perguntas específicas foram formuladas para testar a utilidade da ontologia (ex: "Quais conjuntos de dados de treinamento existem para um material com configurações de DFT específicas?" ou "Como diferentes combinações de algoritmo/hiperparâmetro se classificam por precisão?"). Todas as nove CQs foram expressas com sucesso como consultas SPARQL e retornaram resultados não vazios.
3. Verificações de Consistência: O raciocínio OWL (usando HermiT e ELK) confirmou que a ontologia é consistente, sem contradições entre os axiomas.
4. Comparação: Uma comparação termo a termo com ontologias existentes (ML-Schema, MDO, CMSO, etc.) demonstrou que nenhuma ontologia existente poderia responder plenamente às perguntas de competência; a ontologia MLIPs preenche a lacuna específica em relação ao triângulo "benchmark–método–conjunto de dados".

Principais Contribuições

• Esquema Específico do Domínio: A primeira ontologia a modelar explicitamente o ciclo de vida completo de um estudo de MLIP, conectando definições de método, configurações de hiperparâmetros, proveniência de dados de treinamento (incluindo configurações de DFT) e resultados de benchmark.
• Formalização de Hiperparâmetros: Eleva os hiperparâmetros de simples valores literais para entidades tipadas com significados físicos, unidades e intervalos, permitindo consultas estruturadas sobre restrições de parâmetros.
• Hierarquia de Cálculo de Referência: Introduz uma hierarquia para cálculos de referência (métodos DFT e de função de onda) que permite que dados legados de DFT validem contra superpropriedades agnósticas à família, preservando configurações específicas (ex: funcionais XC, bases).
• Interoperabilidade: Demonstra como alinhar necessidades específicas do domínio com ontologias gerais de ML e ciência dos materiais sem deslocá-las, facilitando serviços semânticos federados.
• Protocolo de Extração Agêntica: Valida o esquema através de um processo de extração de ida e volta onde um agente de IA codifica artigos na ontologia, e especialistas do domínio revisam a saída, revelando lacunas de metadados (ex: métricas de eficiência ausentes) na literatura.

Resultados

• Capacidade de Consulta: O grafo de conhecimento semeadura permitiu a execução de todas as nove perguntas de competência. Por exemplo, o sistema pôde identificar quais conjuntos de dados de treinamento foram gerados com códigos e configurações de DFT específicos (CQ3) e classificar algoritmos por precisão em materiais específicos (CQ7).
• Lacunas de Metadados Identificadas: O processo de codificação revelou lacunas significativas de reporte na literatura. Embora 18/20 estudos tenham reportado erros de energia e 15/20 tenham reportado erros de força, apenas 9/20 reportaram metadados de custo de treinamento/inferência, e nenhum reportou o uso de pico de memória.
• Consistência: A ontologia passou em todas as verificações de consistência OWL e varreduras de armadilhas OOPS! (com apenas descobertas menores e não críticas relacionadas a alvos de alinhamento externos).
• Cobertura: A ontologia cobriu com sucesso diversas famílias de métodos (HDNNP, GAP, MTP, ACE, MACE, etc.), métodos de referência (DFT e CCSD(T)) e sistemas de materiais (elementos, intermetálicos, fases Laves, moléculas orgânicas).

Significância

O artigo afirma que a ontologia MLIPs fornece um substrato legível por máquina essencial para a próxima geração de pesquisa impulsionada por IA no campo de MLIP. Ao estruturar métodos, dados de treinamento e benchmarks como dados consultáveis, a ontologia possibilita:

• Reprodutibilidade: Pesquisadores podem reproduzir estudos a partir de configurações registradas em vez de depender de descrições em prosa.
• Eficiência: Consultas de seleção (ex: "Quais modelos suportam cálculos de fônons em intermetálicos com RMSE < 5 meV/átomo?") reduzem-se a consultas SPARQL únicas, substituindo levantamentos manuais de literatura.
• Agentes Autônomos: Os dados estruturados permitem que agentes autônomos recuperem execuções de treinamento anteriores, identifiquem conjuntos de dados e hiperparâmetros adequados e planejem extensões de trabalhos existentes.
• Dados FAIR: A ontologia serve como um checklist de reporte para autores, expondo metadados não reportados antes da publicação, e atua como um vocabulário compartilhado para plataformas exporem metadados de MLIP com semântica explícita.

Os autores enfatizam que a ontologia é um passo em direção a estudos de MLIP onde os resultados são enviados como dados consultáveis junto com o artigo, apoiando os princípios FAIR (Findable, Accessible, Interoperable, Reusable) para o gerenciamento de dados científicos. O recurso é mantido pelo projeto META-LEARN e está disponível sob uma licença CC BY 4.0.