Ontology-based knowledge graph infrastructure for interoperable atomistic simulation data

Diese Arbeit stellt eine ontologiebasierte Infrastruktur vor, die atomistische Simulationsdaten durch Normalisierung in einen Wissensgraphen integriert, um deren Interoperabilität, Nachverfolgbarkeit und Wiederverwendbarkeit zu verbessern.

Das Wesentliche

Stellen Sie sich vor, die Welt der Materialforschung ist wie ein riesiges, chaotisches Archiv, in dem Tausende von Wissenschaftlern ihre Berechnungen über Atome und Materialien ablegen. Das Problem: Jeder legt seine Daten in einer anderen Sprache, in einem anderen Format und ohne klare Beschriftung ab. Ein Forscher aus Deutschland nutzt vielleicht eine Art "Kartensystem", ein Kollege aus den USA ein "Faltblatt", und ein Dritter wirft alles einfach in einen "Karton".

Wenn jemand heute herausfinden will, wie sich ein bestimmter Metallfehler verhält, muss er stundenlang durch diese Kartons wühlen, versuchen, die verschiedenen Sprachen zu übersetzen und zu erraten, welche Zahlen was bedeuten. Das ist extrem ineffizient und verhindert, dass wir neue Materialien schneller entwickeln.

Die Lösung: Ein universeller Übersetzer und ein digitales Bibliothekssystem

In diesem Papier stellen die Autoren eine neue Infrastruktur vor, die dieses Chaos ordnet. Man kann es sich wie den Bau eines intelligenten, digitalen Bibliothekssystems vorstellen, das zwei Hauptkomponenten hat:

1. Das Regelbuch (Die Ontologien)

Stellen Sie sich vor, alle Wissenschaftler einigen sich auf ein einziges, strenges Regelbuch für die Beschriftung ihrer Daten. Das nennen die Autoren Ontologien (CMSO und ASMO).

• Die Analogie: Früher schrieb jeder "Energie" oder "Druck" einfach so hin. Manchmal meinten sie damit etwas anderes oder nutzten andere Einheiten. Das Regelbuch sagt nun: "Wenn du von Energie sprichst, musst du es genau so definieren, und wenn du Joule nutzt, musst du das auch angeben."
• Es gibt ein Regelbuch für die Materialstrukturen (wie Atome angeordnet sind) und eines für die Rechenmethoden (welches Werkzeug wurde benutzt).
• Dadurch wird aus einem unverständlichen "Kauderwelsch" eine klare, einheitliche Sprache, die jeder versteht.

2. Der Übersetzer (Die Software-Infrastruktur)

Aber wie bringt man die alten, chaotischen Daten in dieses neue System? Dafür haben die Autoren eine Software-Bibliothek gebaut (genannt atomRDF).

• Die Analogie: Stellen Sie sich diese Software als einen super-schnellen Roboter-Übersetzer vor. Sie nimmt die alten, unordentlichen Daten (aus verschiedenen Dateien, Skripten oder alten Publikationen) und wandelt sie automatisch in das neue, einheitliche Format um.
• Der Roboter liest die alten Daten, prüft, ob sie den Regeln des Regelbuchs entsprechen, und sortiert sie dann in eine riesige, vernetzte Datenbank ein.

Das Ergebnis: Ein riesiges, vernetztes Wissensnetz (Der Knowledge Graph)

Das Endergebnis ist kein einfacher Ordner mit Dateien, sondern ein riesiges, lebendiges Netz (ein "Knowledge Graph").

• Die Analogie: Stellen Sie sich ein soziales Netzwerk vor, aber für Atome. Jeder Punkt im Netz ist ein Material, eine Berechnung oder ein Ergebnis. Die Linien dazwischen zeigen, wie alles zusammenhängt.
• Wenn Sie auf einen Punkt klicken (z. B. "Kupfer"), sehen Sie sofort: Wer hat es berechnet? Welches Werkzeug wurde benutzt? Welche Temperatur herrschte? Und wie hängt das Ergebnis mit einem anderen Experiment zusammen?
• In diesem Netz sind bereits über 750.000 Verbindungen zwischen fast 8.000 verschiedenen Material-Proben gespeichert.

Was kann man damit jetzt machen? (Die Magie)

Die Autoren zeigen drei coole Dinge, die mit diesem System möglich werden:

1. Der "Google" für Materialdaten:
   Früher musste man mühsam suchen, ob jemand schon einmal einen bestimmten Kristallfehler berechnet hat. Jetzt kann man einfach fragen: "Zeig mir alle Berechnungen für Kupfer, die mit dieser speziellen Methode gemacht wurden." Das System findet sofort alle passenden Ergebnisse aus verschiedenen Quellen, auch wenn sie ursprünglich in völlig unterschiedlichen Formaten vorlagen.

2. Neue Entdeckungen aus alten Daten:
   Manchmal haben Forscher Daten berechnet, aber nicht alle Ergebnisse veröffentlicht. Das System kann diese alten Daten "nachträglich" auswerten.

   • Beispiel: Die Forscher haben alte Daten über die Ausdehnung von Materialien bei Hitze genommen und daraus eine neue physikalische Eigenschaft (die thermische Ausdehnung) berechnet, die in den Originalpapieren gar nicht explizit stand. Sie haben also "neues Gold" aus "altem Schrott" geschmolzen.

3. Die "Reisezeitung" (Provenance):
   Das System merkt sich nicht nur das Ergebnis, sondern den gesamten Weg dorthin.

   • Die Analogie: Es ist wie ein GPS-Tracker für eine Berechnung. Man kann genau sehen: "Wir sind hier gestartet, haben diesen Schritt gemacht, dann jenen, und sind hier gelandet."
   • Das ist so mächtig, dass man theoretisch die Berechnung nachbauen kann. Wenn jemand sagt: "Ich will das Ergebnis von Herrn Müller nachrechnen", kann das System ihm genau zeigen, welche Schritte er gehen muss, um zum selben Ergebnis zu kommen.

Fazit

Kurz gesagt: Die Autoren haben ein System gebaut, das aus dem chaotischen "Dschungel" der Materialdaten einen geordneten, durchsuchbaren und verständlichen Park macht. Es erlaubt Wissenschaftlern, Daten aus verschiedenen Quellen nahtlos zu verbinden, neue Erkenntnisse aus alten Daten zu gewinnen und sicherzustellen, dass niemand die Ergebnisse vergisst oder falsch interpretiert. Es ist ein großer Schritt hin zu einer Welt, in der Wissenschaftler nicht mehr stundenlang Daten suchen, sondern sofort die Antworten finden, die sie brauchen.

Technische Zusammenfassung

1. Problemstellung

Die Wiederverwendung von atomistischen Simulationsdaten in der Materialwissenschaft wird durch mehrere kritische Hindernisse eingeschränkt:

• Heterogene Formate: Daten werden in software-spezifischen Formaten gespeichert, was die Interoperabilität zwischen verschiedenen Codes und Plattformen behindert.
• Unvollständige Metadaten: Oft fehlen standardisierte Beschreibungen von Workflows, Provenienz (Herkunft der Daten) und wichtigen Simulationsparametern.
• Mangelnde Semantik: Die Interpretation und der Vergleich von Materialeigenschaften erfordern oft manuellen Aufwand, da keine maschinenlesbaren, standardisierten Repräsentationen vorliegen.
• Spezifische Herausforderungen bei Defekten: Im Gegensatz zu Volumenmaterialien sind Systeme mit Defekten (z. B. Korngrenzen, Leerstellen) komplexer und schwerer zu standardisieren, da ihre Beschreibung von lokalen atomaren Umgebungen und spezifischen Workflows abhängt.
• Lücken in bestehenden Infrastrukturen: Zwar existieren Datenbanken wie Materials Project oder NOMAD, diese decken jedoch primär Volumenmaterialien ab und bieten keine konsistente semantische Darstellung von Workflows, Methoden und Defektstrukturen in einem einheitlichen Framework.

2. Methodik

Die Autoren stellen eine modulare, ontologiebasierte Infrastruktur vor, die Daten als Wissensgraph (Knowledge Graph) repräsentiert. Der Ansatz besteht aus drei Hauptkomponenten:

A. Ontologie-Entwicklung

Zwei zentrale Ontologien wurden entwickelt, um die semantische Basis zu bilden:

1. CMSO (Computational Materials Sample Ontology): Beschreibt Materialstrukturen von der atomaren bis zur makroskopischen Skala, einschließlich Kristalldefekten. Sie definiert Klassen für Materialproben, Kristallstrukturen, Atome und chemische Zusammensetzung.
2. ASMO (Atomistic Simulation Methods Ontology): Beschreibt Simulationsmethoden (z. B. DFT, Molekulardynamik), Workflows und Provenienz. Sie baut auf dem W3C PROV-O-Modell auf und integriert Konzepte für Berechnungsalgorithmen, Parameter und abgeleitete Eigenschaften.

• Design-Prinzipien: Modularität, Wiederverwendung bestehender Ontologien (PROV-O, QUDT für Einheiten, MDO für Materialmodellierung) und iterative Validierung durch Domänenexperten.

B. Software-Infrastruktur (atomRDF & conceptual_dictionary)

Um die Lücke zwischen wissenschaftlichen Workflows und RDF/OWL zu schließen, wurde eine zweischichtige Architektur entwickelt:

1. Conceptual Metadata Capture (conceptual_dictionary): Eine leichtgewichtige, ontologie-abgeleitete Metadatenschicht in YAML/JSON oder als Python-Dictionary. Sie ermöglicht die Erfassung von Metadaten direkt im Workflow (manuell oder automatisiert), ohne dass Nutzer direkt mit RDF interagieren müssen.
2. atomRDF: Eine zentrale Translationsschicht, die die Metadaten in ontologie-konforme Datenmodelle (basierend auf Pydantic) überführt. Diese Modelle bieten bidirektionale Konvertierung (to_graph / from_graph) zwischen Python-Objekten und RDF-Triples. Dies stellt sicher, dass Daten vor der Graph-Erstellung validiert werden (Constraint Enforcement).

C. FAIR-Prinzipien

Die Infrastruktur ist explizit auf die FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable) ausgelegt:

• Findability: Nutzung globaler eindeutiger IRIs und UUIDs; Zugriff über SPARQL-Endpunkte.
• Interoperability: Nutzung von RDF, RDFS, OWL und Verknüpfung mit externen Ressourcen (ChEBI, Wikidata).
• Reusability: Umfassende Provenienz-Dokumentation und offene Lizenzen.

3. Schlüsselbeiträge

• Einheitliches Framework: Ein modulares System zur semantischen Repräsentation von atomistischen Simulationsdaten, das Materialstrukturen (inkl. Defekte), Workflows, berechnete Eigenschaften und deren Zusammenhänge vereint.
• Praktische Implementierung: Eine Software-Stack-Lösung, die die Erfassung von Metadaten direkt an der Quelle (im Simulationsworkflow) ermöglicht und diese nahtlos in einen Wissensgraphen überführt.
• Zwei-Wege-Provenienz: Das System ermöglicht nicht nur die Vorwärtsverfolgung von Daten (von der Berechnung zum Ergebnis), sondern auch die Rückwärtsrekonstruktion von Workflows aus vorhandenen Ergebnissen.
• Skalierbare Integration: Demonstration der Integration heterogener Datenquellen (Publikationen, Zenodo-Archive, Git-Repositories) in einen konsistenten Graphen.

4. Ergebnisse und Demonstration

Der Ansatz wurde durch die Integration von Daten aus verschiedenen Quellen und die Generierung neuer Daten validiert. Der resultierende Wissensgraph enthält über 757.000 Tripel, die ca. 7.926 computergestützte Proben beschreiben.

• Semantische Integration heterogener Daten:

  • Korngrenzen-Daten: Es konnte gezeigt werden, dass Daten zu Korngrenzenenergien aus verschiedenen Quellen (DFT, Molekulardynamik, verschiedene Potentiale) in einem einheitlichen Schema abgefragt werden können. Dies ermöglichte die Identifizierung von Datenlücken (z. B. fehlende MD-Daten für bestimmte Elemente).
  • Kreuz-Daten-Analyse: Durch die Kombination von Datensätzen konnten physikalische Trends erkannt werden, z. B. eine positive Korrelation zwischen Leerstellenbildungsenergie und Korngrenzenenergie bei höheren Σ-Werten.

• Extraktion abgeleiteter thermodynamischer Größen:

  • Aus vorhandenen MD-Simulationsdaten (NPT-Ensemble) wurde das Volumen pro Atom extrahiert.
  • Daraus wurden die volumetrischen thermischen Ausdehnungskoeffizienten für verschiedene Elemente (Si, Li, Al, Fe, Ge) berechnet, obwohl diese Größen in den Originaldaten nicht explizit angegeben waren. Dies demonstriert den Mehrwert der strukturierten Metadaten für die Nachnutzung.

• Provenienz und Workflow-Rekonstruktion:

  • Der Graph erlaubt die Visualisierung und den Vergleich von Workflows (z. B. DFT vs. Molekularstatik für Leerstellenbildung).
  • Es wurde ein automatischer Rekonstruktions-Algorithmus getestet, der aus dem Graphen Python-Code und Strukturen generiert.
  • Limitierung: Die Rekonstruktion ist derzeit noch unvollständig, da spezifische Eingabedateien für Potentiale (z. B. LAMMPS pair_style Befehle) oft nicht persistent verknüpft sind. Dennoch macht der Graph diese Lücken explizit sichtbar.

5. Bedeutung und Ausblick

Diese Arbeit liefert einen praktischen Rahmen, um die Auffindbarkeit, Interoperabilität und Wiederverwendbarkeit von atomistischen Simulationsdaten signifikant zu verbessern.

• Wissenschaftlicher Impact: Sie ermöglicht maschinenlesbare Vergleiche über verschiedene Studien hinweg und unterstützt die Entdeckung neuer physikalischer Zusammenhänge durch Datenfusion.
• Reproduzierbarkeit: Durch die explizite Darstellung von Workflows und abgeleiteten Operationen (Post-Processing) wird die Reproduzierbarkeit von Simulationen gestärkt.
• Zukunftsperspektiven: Zukünftige Arbeiten zielen auf die Erweiterung der Ontologien auf weitere Defekttypen, die Verbesserung der Workflow-Rekonstruktion (inkl. externer Abhängigkeiten) und den Einsatz von LLMs zur automatisierten Extraktion von Metadaten aus Literatur und Legacy-Daten.

Die Infrastruktur dient als Brücke zwischen der komplexen Realität wissenschaftlicher Simulationen und den Anforderungen an strukturierte, FAIR-konforme Dateninfrastrukturen.