跨Materials Project版本的无机材料热力学稳定性与带隙筛选可复现性研究

《Inorganics》:Reproducibility of Thermodynamic Stability and Band-Gap Screening of Inorganic Materials Across Materials Project Versions

【字体: 大 中 小 】 时间:2026年10月24日 来源:Inorganics 3.4

编辑推荐:

  高通量计算数据库已成为无机材料发现与筛选的核心工具,然而跨数据库版本的候选材料筛选可复现性却鲜有量化评估。本研究将2018年冻结的Materials Project快照与数据库版本2026.04.13进行协调统一,以评估热力学与电子筛选的跨版本稳定性。在主要纵

  
高通量计算数据库已成为无机材料发现与筛选的核心工具,然而跨数据库版本的候选材料筛选可复现性却鲜有量化评估。本研究将2018年冻结的Materials Project快照与数据库版本2026.04.13进行协调统一,以评估热力学与电子筛选的跨版本稳定性。在主要纵向队列的78,756条历史mp-*记录中,76,931条保持可追溯(97.68%)。尽管跨版本属性排序一致性较高,但在16个组合阈值对中,筛选反转率介于1.2%至8.1%之间。在代表性判据Ehull ≤ 0.05 eV·atom?1且Eg ≥ 2 eV下,2018年筛选出15,754种材料,2026年筛选出14,191种;1,818个原始候选材料退出,255个新进入,对应88.46%的候选保留率和0.871的Jaccard相似度。不稳定性集中于决策边界附近,并在多变量调整后仍呈现化学结构依赖性。含Cl、Br和N的材料以能量高于凸包阈值跨越为主,而3d系金属组则表现出更大的带隙变化贡献。上述结果区分了属性可复现性与决策可复现性:强跨版本属性一致性并不能保证候选集稳定。因此,数据库版本应被视为高通量无机材料筛选中不可或缺的可复现性元数据。

论文解读

一、研究背景与问题提出

高通量计算材料数据库已成为无机材料发现的核心基础设施。Materials Project(MP)作为代表性开放计算材料数据库,将第一性原理计算、标准化数据处理和开放编程接口相结合,使得大规模化学空间筛选成为可能。形成能(formation energy)、凸包能量(energy above hull,Ehull)和电子带隙(band gap,Eg)是材料筛选中广泛使用的互补性描述符。然而,与静态存档数据集不同,Materials Project数据库持续演化——新计算不断加入、错误被修正、材料身份重新分组、计算方法更新、材料级属性聚合流程修订。这些更新提升了数据库的科学效用,但也意味着今天检索到的材料级属性数值与早期版本未必相同。
这种演化对下游材料筛选构成了一个未被充分审视的可复现性问题:在某一数据库版本中筛选出的候选材料,可能在后续版本中获得修正后的凸包能量或带隙,从而跨越固定决策边界。远离阈值的材料受此影响甚微,但接近截止值的材料可能因微小数值偏移而发生分类反转。以往研究关注了密度泛函理论(DFT)精度、亚稳性热力学解释、DFT能量局限与修正,以及属性精度与稳定性分类精度之间的区别,但跨版本决策可复现性——即在相同筛选规则下,多年后使用同一数据库的更新版本重新运行筛选,所得候选集是否稳定——仍缺乏量化评估。研究人员将此定义为决策可复现性(decision reproducibility),以区别于属性可复现性(property reproducibility):两个版本可能保持整体属性排序,但当数值在固定截止值附近变化时,筛选出的材料集合可能不同。

二、研究内容与核心发现

本研究通过比较2018年10月18日冻结的Materials Project快照(mp_nostruct_20181018,含83,989条记录)与2026.04.13数据库版本,系统量化了热力学与电子筛选的跨版本可复现性。在78,756条历史mp-*记录构成的主要纵向队列中,通过直接材料ID匹配、原始任务ID恢复和遗留任务ID恢复三级流程,76,931条实现可追溯,队列内可追溯率为97.68%。残余的1,825条不可追溯记录高度聚集于含镁历史组分系列和含Yb材料,约占91%,而非均匀分布于化学空间。
研究发现三个属性均保持较高的跨版本秩相关,但数值差异的幅度和分布差异显著。形成能秩相关最强(rs = 0.9954),但数值变化广泛:平均绝对误差(MAE)为0.0604 eV·atom?1,约34%的配对材料变化超过0.05 eV·atom?1。凸包能量平均变化较小(MAE = 0.0178 eV·atom?1),但秩相关较低(rs = 0.9088),95%和99%分位数绝对差异分别达约0.086和0.235 eV·atom?1。带隙差异模式不同:MAE为0.0648 eV,rs = 0.9585,约66.8%的配对材料带隙完全不变,其余材料形成显著长尾,99%分位数变化达约1.57 eV。映射历史与此异质性相关:直接材料ID匹配材料的带隙MAE约0.043 eV,而经遗留任务到材料映射恢复的材料MAE约0.165 eV,尾部更重。
筛选决策稳定性方面,热力学筛选反转率强烈依赖凸包能量阈值:Ehull = 0的基态判据产生8.08%的反转率,在0.025、0.05和0.10 eV·atom?1阈值下分别降至7.31%、6.92%和5.82%。变化方向不对称:在Ehull ≤ 0.05 eV·atom?1下,4,551种2018年满足条件的材料在2026年不再满足,仅769种此前被排除的材料进入候选集。带隙分类在较大阈值下更稳定,但在金属/非金属边界附近仍敏感:Eg > 0判据反转率为6.51%,而1、2、3 eV阈值下分别为2.17%、1.42%和0.72%。完整4 × 4热力学-电子筛选矩阵中,16种阈值组合的反转率介于约1.2%至8.1%之间。
在代表性判据Ehull ≤ 0.05 eV·atom?1且Eg ≥ 2 eV下,2018年筛选出15,754种材料,2026年为14,191种;13,936种保持入选,1,818种退出,255种新进入。总体反转率为2.695%(95% CI,2.58–2.81%),但候选保留率仅88.46%,Jaccard相似度为0.871。直接ID匹配材料的反转率为2.12%、Jaccard相似度0.894,而遗留任务ID恢复材料反转率为5.32%、Jaccard相似度0.783,表明标识符历史进一步调节筛选稳定性。

三、主要技术方法

研究人员使用的主要技术方法包括:一是跨版本队列构建,采用层次化协调流程,依次进行直接材料ID匹配、原始任务ID查询和遗留任务ID恢复,仅接受无歧义的一对一映射,并以化学式比对作为身份质控(99.995%一致率);二是属性差异量化,计算配对材料的中位符号差异、平均绝对误差(MAE)和绝对差异百分位数,并用Spearman秩相关衡量跨版本排序保持度;三是筛选稳定性评估,定义决策反转指标,计算Jaccard相似系数和候选保留率,构建4 × 4阈值矩阵系统考察阈值依赖性;四是化学驱动因素分析,预设14个非互斥的组分指示变量(涵盖F、Cl、Br、I、O、S、Se、Te、N、P及3d/4d/5d系金属和镧系),采用多变量逻辑回归(logistic regression),以HC1异方差一致性协方差估计构建95%置信区间,用Benjamini–Hochberg错误发现率(FDR)程序控制多重比较,并用方差膨胀因子(VIF)诊断多重共线性;五是映射路径敏感性分析,比较直接ID组与遗留恢复组的差异。数据来源为2018年matminer分发的mp_nostruct_20181018快照(83,989条记录)和2026年9月28日通过Materials Project REST API检索的2026.04.13版本摘要数据。

四、研究结果

2.1 跨版本可追溯性与报告属性变化

2018年快照含83,989条记录,其中5,233条历史mvc-记录因无法建立可靠的一对一当前材料身份而单独报告。主要纵向队列由78,756条历史mp-记录构成,76,931条实现可追溯(97.68%)。残余不可追溯性高度聚集而非均匀分布:约91%集中于含Mg历史组分系列或含Yb材料;排除这些高流失组后,仅约0.22%的剩余mp-*队列不可匹配。三个属性均保持高秩相关但数值差异显著,形成能MAE为0.0604 eV·atom?1,凸包能量MAE为0.0178 eV·atom?1,带隙MAE为0.0648 eV。含Br、Se、I、S、N、Cl和Yb材料的形成能变化大于全队列,表明数据库演化在化学上不均匀。

2.2 热力学与电子筛选决策的稳定性

筛选反转率强烈依赖阈值位置。热力学筛选在Ehull = 0时反转率8.08%,随阈值放宽逐步降低至0.10 eV·atom?1时的5.82%。变化方向不对称,退出数量远超进入数量。带隙分类在较大阈值下更稳定,但在金属/非金属边界附近敏感。16种阈值组合反转率介于1.2%至8.1%。在代表性双属性判据下,2018年15,754种材料入选,2026年14,191种;1,818种退出、255种进入,候选保留率88.46%,Jaccard相似度0.871。直接ID匹配与遗留恢复材料的决策稳定性存在显著差异,遗留恢复材料反转率更高、候选保留率更低。

2.3 筛选不稳定性的化学依赖性与机制

决策边界邻近性是失稳的主要预测因子:距Ehull = 0.05 eV·atom?1边界0.005 eV·atom?1以内材料的调整后反转优势比(OR)为29.6,距Eg = 2 eV边界0.1 eV以内材料的反转优势比约5.3倍。多变量调整后化学关联仍然显著:含Cl材料与焦点筛选反转的调整后关联最强(OR = 11.87),其次为含Br(OR = 8.61)和含N(OR = 6.40)。候选退出模型中,含Cl材料调整后OR为18.28,含Br为12.70,含N为10.17。VIF诊断显示最大VIF为2.00–2.01,Cl、Br、N的VIF介于1.03至1.14,排除共线性为主要解释。反转路径存在化学组间差异:2,073次焦点反转中,59.1%仅跨越Ehull阈值,36.3%仅跨越Eg阈值,4.6%同时跨越两者。含Cl、Br、N材料的反转约90–94%为Ehull单独跨越,而3d系金属组约55%的反转源于带隙单独跨越、约37%源于凸包能量单独跨越。直接ID匹配敏感性分析未消除主要化学关联。加入14个化学指示变量使整体反转模型的McFadden伪R2从0.297增至0.376,候选退出模型从0.067增至0.220,嵌套似然比检验均显著(p < 0.001)。

五、讨论与结论

研究揭示了版本敏感性的两个相互作用来源:一是接近固定决策边界的材料固有地易受属性更新影响;二是更新幅度和主导路径在化学上具有结构化特征——热力学阈值跨越主导若干含阴离子基团,而电子属性变化在3d系金属组中贡献更大。这为属性可复现性与决策可复现性的区分提供了解释框架:数据库演化的实际后果不仅取决于数值差异的幅度,还取决于这些变化相对筛选边界和化学空间的位置。研究局限性包括:2018与2026数值来自演化数据库不同阶段而非受控重复计算;mvc-*命名空间因无法建立有效一对一身份映射而排除;焦点阈值是代表性筛选条件而非普适设计准则;化学指示变量非互斥,描述条件关联而非独立元素因果效应;数值反转率和组分关联仅针对所考察的两个MP版本。研究结论指出,高属性级相关性不足以证明高通量筛选结果可复现。基于演化计算数据库的研究应将确切数据库版本与筛选阈值、材料标识符一同报告,在旧工作流对显著更新版本重新运行时重新审视候选选择。将数据库版本视为分析溯源的一部分,将属性可复现性与决策可复现性联系起来,为无机材料的可复现数据驱动发现提供更完整的基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号