《Computational Materials Science》：M-CODE: Materials Categorization via Ontology, Dimensionality and Evolution
编辑推荐：
Vsevolod Biryukov|Kamal Choudhary|Timur Bazhirov•开源架构可根据类别和来源对原子结构进行分类。•M-CODE将材料术语与JSON架构及类型化接口相关联。•构建用于再生的元数据记录，包括输入、操作及参数。•分类涵盖原始结构、复合结构、
Vsevolod Biryukov|Kamal Choudhary|Timur Bazhirov
- •
开源架构可根据类别和来源对原子结构进行分类。
- •
M-CODE将材料术语与JSON架构及类型化接口相关联。
- •
构建用于再生的元数据记录，包括输入、操作及参数。
- •
分类涵盖原始结构、复合结构、缺陷结构以及经处理的结构。
- •
标签有助于数据集整理、工作流程调度以及适合人工智能的基准测试。
引言
现代材料研究越来越依赖数字数据和自动化技术，以缩短从提出假设到获得验证结果的时间。大规模开放数据库和工作流管理系统使得高通量计算筛选成为可能，从而加速了多个应用领域的发现进程[1]、[2]、[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]。与此同时，许多机器学习数据集和基准测试仍然以理想化的三维晶体为主，而实际性能往往取决于表面、重构结构、无序性、缺陷，以及决定传输、催化和稳定性的异质界面[12]、[13]、[14]、[15]。
要填补这一差距，不仅需要结构生成工具，还需要一种通用语言来描述结构的本质、其生成方式以及如何重现它们。诸如单层、薄片、界面或空位之类的术语在不同子领域中的用法往往不一致，而代码实现则常常以互不兼容的方式重新编码相同概念。这种碎片化现象使得数据集更难整理，模型更难比较，来源也更难追踪。
M-CODE（通过本体、维度与演化对材料进行分类）正是为了解决这一问题而设计的，它是一种简洁的分类系统，可将领域科学概念与可复用的软件实体及操作相关联。在此术语中，“本体”指的是用于软件和数据交换的共享概念框架，并非指以OWL格式序列化的正式公理化本体。M-CODE定义了相关的结构类别、实体、属性、操作及其之间的关系，并将这些定义以机器可读的JSON架构形式记录下来，以便进行验证和交换。ESSE存储库则定义了材料架构以及将类别、实体和操作映射为机器可读格式的清单[16]、[17]。该方案以开放的JSON架构和示例形式实现，旨在支持对真实结构的验证、交换以及具有来源信息的再生。这项工作建立在我们在Mat3ra.com所积累的经验之上[18]，我们曾在那里开发了一个用于计算材料研发的开放生态系统，其以数据为中心的组织结构此前已在背景部分有所介绍[19]，同时它也补充了现有的用于材料分析和原子级建模的Python工具[20]、[21]。
M-CODE的主要任务是实现原子材料模型中结构类别、其构建输入以及具有来源信息的历史记录的标准化。它并不对电子结构模拟的输入进行标准化，也不定义通用的属性本体；而是着眼于连接真实结构与可复用构建操作的中间层。
本研究的主要贡献包括：（1）根据领域、维度、类别及变体对真实结构进行简洁分类，为常见类别提供稳定的标签；（2）提出一种面向实现的实体和操作概念模型，可将其映射到JSON架构以及相应的类和方法；（3）制定灵活且可扩展的元数据规范，用于记录生成材料中的构建来源信息；（4）提供开放的架构和示例文件，连同参考实现一起发布[22]、[23]。
本文的其余部分结构如下：第2节介绍M-CODE框架以及相关的实体和操作模型；第3节展示分类表格，并指出可供重复使用的架构文件及访问途径；第4节探讨该技术的意义、局限性以及社区进一步发展的机会；第5节最后给出简要总结。
各章节要点
概述
M-CODE旨在弥补数据驱动材料建模中的一个常见缺陷：理想化的训练结构与现实中那些低维、存在缺陷且具有异质性的、真正决定器件性能的结构之间存在差异。该方法结合了（i）针对目标结构的简洁分类方案，以及（ii）用于以可重复方式构建这些结构的、以软件为导向的实体和操作概念模型。
我们使用JavaScript对象表示法（JSON）和JSON架构。
结果
本节总结了M-CODE项目产生的关键成果：注重应用场景的、带有简洁标签的分类体系，侧重软件层面的可复用实体和操作视图，以及用于验证和重复使用的架构文件。
讨论
M-CODE能够补充那些针对材料数据生态系统其他层面的现有标准和基础设施。OPTIMADE为跨数据库查询和提供材料条目制定了统一的API和响应规范[29]；NOMAD则致力于计算材料数据及元数据的归档、标准化和传播[9]；AiiDA提供了一个具备工作流级来源信息跟踪功能的执行框架[7]；而EMMO和PMDCore等正式本体研究也在为此领域做出贡献。
结论
本文介绍了M-CODE这一用于数据驱动材料建模的、针对真实低维和异质结构的简洁分类系统。我们阐述了M-CODE如何将领域科学术语与可复用的实体和操作相联系，以及如何通过经过架构验证的配置和转换来实现具有来源信息意识的结构再生。通过明确并标准化结构类别及其变体，M-CODE旨在提升数据集设计、基准测试等方面的水平。
CRediT作者贡献说明
Vsevolod Biryukov：撰写——审阅与编辑，撰写——初稿。Kamal Choudhary：撰写——审阅与编辑。Timur Bazhirov：撰写——初稿。
关于写作过程中生成式人工智能及人工智能辅助技术的声明
在撰写本文的过程中，作者使用了大型语言模型来协助草拟和编辑部分内容。在使用该工具/服务之后，作者对内容进行了必要的审阅和修改，并对最终发表文章的内容承担全部责任。
利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本研究部分得到了NIST的支持70NANB24H205。
