M-CODE: Materials Categorization via Ontology, Dimensionality and Evolution

Der Artikel stellt M-CODE vor, ein kompaktes, quelloffenes Kategorisierungssystem für die Materialwissenschaft, das Strukturen anhand von Dimensionalität, struktureller Komplexität und Evolutionsprozessen klassifiziert, um die Datenverwaltung und Reproduzierbarkeit im Bereich der künstlichen Intelligenz zu verbessern.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Architekt, der Gebäude plant. In der Welt der Materialwissenschaft bauen Wissenschaftler keine Häuser aus Ziegeln, sondern aus Atomen. Bisher war es so, als würden alle Architekten nur für ideale, perfekte Hochhäuser aus glatten Ziegelsteinen planen. Aber in der echten Welt sind Gebäude oft unvollkommen: Sie haben Risse (Defekte), sind nur eine Wand hoch (2D-Oberflächen) oder bestehen aus verschiedenen Materialien, die zusammengeklebt sind (Grenzflächen).

Das Problem: Jeder Architekt sprach eine andere Sprache. Wenn einer sagte „Wand mit Riss", meinte ein anderer vielleicht etwas ganz anderes. Das machte es unmöglich, Pläne auszutauschen oder Gebäude zu vergleichen.

Hier kommt M-CODE ins Spiel. Man kann es sich wie einen universellen LEGO-Baukasten mit einem strengen Bauplan vorstellen.

1. Der universelle Bauplan (Die Ontologie)

M-CODE ist eine Art „Wörterbuch" für Atome. Es schafft eine gemeinsame Sprache, damit jeder Wissenschaftler genau weiß, was gemeint ist, wenn er von einer „Oberfläche" oder einem „Defekt" spricht.

• Die Bausteine (Entitäten): Statt jedes Mal von vorne zu beginnen, definiert M-CODE feste Bausteine.
  • Ein ganzer Kristall ist ein „3D-Block".
  • Eine einzelne Atom-Schicht ist ein „2D-Plättchen".
  • Ein einzelnes Atom, das extra hinzugefügt wird, ist ein „0D-Punkt".
• Die Bauanleitung (Operationen): Es gibt klare Regeln, wie man diese Blöcke kombiniert.
  • Stapeln: Zwei Schichten übereinanderlegen (z. B. für Grenzflächen).
  • Dehnen: Den Block etwas auseinanderziehen (für Spannung).
  • Austauschen: Ein Atom gegen ein anderes tauschen (für Defekte).

2. Der „Baum"-Ansatz (Evolution)

Das Geniale an M-CODE ist, dass es nicht nur das fertige Gebäude beschreibt, sondern den gesamten Bauvorgang.

Stellen Sie sich vor, Sie bauen ein Haus. Ein altes System würde nur ein Foto des fertigen Hauses zeigen. M-CODE hingegen speichert den Baukasten-Satz:

1. Wir nehmen einen großen Kristall-Block.
2. Wir schneiden ihn in eine dünne Platte (Slab).
3. Wir fügen eine Lücke (Vakuum) hinzu.
4. Wir stapeln eine zweite Platte darauf.

Dadurch weiß man immer genau, wie das Material entstanden ist. Wenn Sie später das Haus reparieren oder nachbauen wollen, können Sie den Bauvorgang Schritt für Schritt exakt wiederholen. Das nennt man Provenienz (Herkunftsnachweis).

3. Die magischen Etiketten (M-CODE Tags)

Um die vielen verschiedenen Bauwerke einfach zu benennen, hat M-CODE eine Art Kurzcode entwickelt. Das ist wie eine Postleitzahl für Materialien.

• P steht für „Perfekt" (ein sauberes Material).
• D steht für „Defekt" (etwas kaputt gemacht oder verändert).
• X steht für „Verarbeitet" (z. B. durch Hitze verändert).
• Die Zahlen (3D, 2D, 1D, 0D) sagen, wie groß das Ding ist (ein Block, eine Wand, ein Draht oder ein Punkt).

Ein Code wie P-2D-SLB-S bedeutet also sofort für jeden Experten: „Das ist eine Perfekte 2D-Wand (SLB), die einfach aufgebaut ist (S)."

Warum ist das wichtig? (Die Analogie zum Kochen)

Stellen Sie sich vor, Sie wollen einen Kochkurs für KI (Künstliche Intelligenz) machen.

• Ohne M-CODE: Der Koch gibt nur das fertige Gericht vor. Die KI lernt nur, wie perfekte, glatte Steaks schmecken. Wenn sie dann ein Steak mit Rost oder einer Kruste kochen soll, scheitert sie, weil sie das nie gesehen hat.
• Mit M-CODE: Der Koch gibt der KI nicht nur das Steak, sondern das Rezept und die Zutatenliste. Die KI lernt: „Ah, wenn ich Fleisch (Kristall) mit einer Kruste (Vakuum) stapel und dann ein wenig Salz (Defekt) hinzufüge, entsteht ein Steak mit Kruste."

Dadurch kann die KI auch komplexe, echte Welten verstehen und vorhersagen, wie Materialien in der Realität funktionieren – sei es in einer Batterie, einem Solarpanel oder einem Computerchip.

Zusammenfassung

M-CODE ist wie ein digitaler Baukasten mit strengen Regeln, der es Wissenschaftlern und Computern ermöglicht, komplexe, unperfekte Materialien so zu beschreiben, zu bauen und zu teilen, als wären es einfache LEGO-Steine. Es sorgt dafür, dass niemand mehr im Dunkeln tastet, sondern alle wissen, wie das Material genau gebaut wurde und wie man es nachbauen kann.

Technische Zusammenfassung

1. Problemstellung

Die moderne Materialforschung stützt sich zunehmend auf datengetriebene Ansätze und maschinelles Lernen (ML). Ein zentrales Problem besteht jedoch in der Diskrepanz zwischen den in Trainingsdatensätzen häufig verwendeten idealisierten, perfekten 3D-Kristallstrukturen und der Realität materialwissenschaftlicher Anwendungen. Reale Materialien weisen oft Komplexitäten auf, die in Standard-Datensätzen unterrepräsentiert sind:

• Dimensionalitätsreduktion: Oberflächen, Grenzflächen und niedrigdimensionale Strukturen (2D, 1D, 0D).
• Defekte und Unordnung: Leerstellen, Zwischengitteratome, Substitutionen und Amorphisierung.
• Heterogenität: Komplexe Grenzflächen und Verbundmaterialien.

Die aktuelle Terminologie (z. B. „Monolage", „Slab", „Grenzfläche") wird in verschiedenen Teilbereichen inkonsistent verwendet. Zudem implementieren verschiedene Codebasen dieselben Konzepte oft auf inkompatible Weise. Dies führt zu einer Fragmentierung, die die Kuratierung von Datensätzen erschwert, den Vergleich von Modellen behindert und die Nachverfolgbarkeit (Provenance) von Strukturgenerierungen unmöglich macht. Es fehlt eine gemeinsame, maschinenlesbare Sprache, um zu beschreiben, was eine Struktur ist, wie sie konstruiert wurde und wie sie reproduziert werden kann.

2. Methodik: M-CODE Framework

M-CODE (Materials Categorization via Ontology, Dimensionality and Evolution) ist ein kompaktes Kategorisierungssystem, das domänenspezifische Terminologie mit wiederverwendbaren Software-Entitäten und Operationen verknüpft.

Kernkonzepte:

• Ontologie und Entitäten: Strukturen werden nicht als statische Objekte, sondern als Ergebnis eines konstruktiven Prozesses betrachtet. Das System definiert:
  • Kern-Entitäten (Core Entities): Irreduzible physikalische Bausteine (z. B. 3D-Kristall, Vakuum, einzelne Atome, Kristall-Positionen).
  • Hilfs-Entitäten (Auxiliary Entities): Deskriptoren, die Transformationen parametrisieren, ohne Atome hinzuzufügen (z. B. Miller-Indizes, Superzellen-Matrizen, Formfunktionen).
  • Wiederverwendbare Entitäten: Validierte Makro-Blöcke (z. B. Nanoribbon-Abschnitte, verformte Kristalle).
• Operationen: Algorithmen, die Entitäten modifizieren oder kombinieren.
  • Modifikationen: Dehnung (Strain), Wiederholung (Repeat), Störung (Perturb).
  • Kombinationen: Stapeln (Stacking von Schichten), Verschmelzen (Merge von Strukturen).
• Evolution (Entwicklung): Der Weg von einfachen Bausteinen zur Zielstruktur wird als Sequenz von Operationen definiert. Dies unterscheidet vier Domänen:
  1. Pristine: Aus einem Elternmaterial abgeleitet (z. B. Slab aus Kristall).
  2. Compound Pristine: Kombination mehrerer Elternmaterialien (z. B. Heterostacks).
  3. Defective: Einführung von Defekten (Leerstellen, Substitutionen).
  4. Processed: Physikalische/chemische Nachbehandlung (z. B. Tempern, Passivierung).
• Technische Implementierung:
  • Basierend auf JSON und JSON Schemas als „Single Source of Truth".
  • Automatische Generierung von Sprachbindungen (Python, TypeScript) aus den Schemas, um Konsistenz zu gewährleisten.
  • Open-Source-Implementierung als mat3ra-esse (PyPI/NPM).

3. Hauptbeiträge

1. Kompakte Kategorisierung: Eine systematische Klassifizierung realistischer Strukturen nach Domäne, Dimensionalität (3D, 2D, 1D, 0D), Kategorie und Varianten.
2. Ontologie für Software: Eine Entitäten- und Operations-Ontologie, die direkt auf JSON-Schemas und objektorientierte Klassen/Methoden abbildbar ist.
3. Provenance-Awareness: Ein Schema zur Aufzeichnung der vollständigen Baugeschichte (Konfiguration, Parameter, Operationen) als Metadaten im generierten Material.
4. M-CODE-Tags: Ein kompaktes Tagging-System (z. B. P-2D-SLB-S für eine einfache 2D-Schicht), das eine kurze Annotation von Workflows ermöglicht, während die detaillierte Definition in den Schemas bleibt.
5. Open-Source-Ökosystem: Bereitstellung von Schemas, Beispielen und Referenzimplementierungen zur Förderung der Reproduzierbarkeit und Community-Beiträge.

4. Ergebnisse und Artefakte

Das Paper stellt die konkreten Artefakte des M-CODE-Projekts vor:

• Kategorisierungstabellen: Eine umfassende Liste von Strukturklassen (z. B. Heterostacks, Grain Boundaries, Nanopartikel) mit zugeordneten M-CODE-Tags.
• JSON-Schema-Beispiele: Detaillierte Beispiele für komplexe Konfigurationen, wie z. B.:
  • Grenzflächen (Interfaces): Stapelung von zwei verformten Supercells mit Vakuum.
  • Punktdefekte: Substitution eines Atoms durch ein anderes mittels einer merge-Operation.
  • Nanobänder (Nanoribbons): Hierarchisches Stapeln von Gitterlinien und Vakuum in zwei Richtungen.
• Provenance-Metadaten: Demonstration, wie Build-Parameter (z. B. Gittervektoren, Verschiebungen) als JSON im Ergebnis gespeichert werden, um die Struktur später exakt zu regenerieren.

5. Bedeutung und Ausblick

M-CODE adressiert kritische Lücken im Ökosystem der Materialdaten:

• FAIR-Prinzipien: Die Ontologie unterstützt Findability (durch Tags), Accessibility (offene Schemas), Interoperability (gemeinsame Vokabeln) und Reusability (vollständige Provenance).
• KI- und ML-Freundlichkeit: Trainingsdatensätze können nun gezielt nach Strukturklassen gefiltert, balanciert und versioniert werden. Dies verhindert Datenlecks (Data Leakage), wenn Trainings- und Testdaten denselben Elternstrukturen entstammen, und ermöglicht eine Bewertung der Modellleistung pro Kategorie.
• Automatisierung: Durch die explizite Zuordnung von Strukturkategorien zu Workflows können Tools automatisch die richtigen Simulationsparameter wählen (z. B. Dipol-Korrekturen für Slabs, Gitteranpassung für Grenzflächen).
• Community und Governance: Als Open-Source-Standard ist M-CODE darauf ausgelegt, durch Community-Feedback erweitert zu werden. Versionierung und Deprecation-Policies sichern die Langzeitstabilität der Datenlabels.

Fazit:
M-CODE bietet einen notwendigen Schritt weg von der Vereinfachung hin zu realistischen, komplexen Materialmodellen. Es schafft eine Brücke zwischen wissenschaftlicher Terminologie und softwaretechnischer Implementierung, um die Reproduzierbarkeit, Vergleichbarkeit und Skalierbarkeit von Materialdatensätzen für die nächste Generation von KI-gestützten Entdeckungen zu gewährleisten.