MC3D: The Materials Cloud computational database of experimentally known stoichiometric inorganics

Dit artikel introduceert MC3D, een online database van Materials Cloud die ongeveer 72.589 unieke, stoichiometrische anorganische kristalstructuren bevat waarvan de geometrieën zijn geoptimaliseerd met behulp van DFT, en die volledige reproduceerbaarheid biedt via een gedetailleerd bewijsvoeringsdiagram.

De kern

MC3D: De Digitale Bibliotheek voor de Bouwstenen van de Wereld

Stel je voor dat de wereld om ons heen is opgebouwd uit miljarden verschillende LEGO-sets. Sommige sets zijn al gebouwd en staan in vitrines (deze noemen we "experimenteel bekend"), terwijl andere sets alleen op papier bestaan of nog nooit zijn geprobeerd. Wetenschappers willen graag weten welke sets het sterkst zijn, welke het beste licht reflecteren of welke het beste werken als batterij. Maar om dat te weten, moeten ze eerst de blauwdrukken van deze sets perfect begrijpen.

Dit artikel introduceert MC3D, een gigantische, digitale bibliotheek die precies deze blauwdrukken verzamelt en verbetert. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Grote Opschonen (De Invoer)

De onderzoekers begonnen met een enorme berg oude, soms rommelige blauwdrukken uit drie grote archieven (COD, ICSD en MPDS). Het was alsof ze een hele zolder vol met losse LEGO-instructies hadden gevonden.

• Het probleem: Veel instructies waren onleesbaar, ontbraken stukken, of beschreven sets die niet echt bestonden (zoals een set die half-LEGO en half-zand is).
• De oplossing: Ze gebruikten slimme robots (software) om deze berg te sorteren. Ze gooiden de onleesbare instructies weg, haalden de dubbele exemplaren eruit en verwijderden sets die te complex waren om te simuleren (zoals sets met zeldzame, zware elementen die lastig te berekenen zijn).
• Het resultaat: Van de oorspronkelijke bijna 1 miljoen sets, hielden ze 72.589 unieke, perfecte sets over. Dit is hun "MC3D-source".

2. De Perfecte Bouw (De Berekening)

Nu hadden ze de instructies, maar de instructies uit de oude archieven waren vaak niet helemaal accuraat. De LEGO-stenen stonden misschien net iets scheef, of de klemmen waren niet goed aangehaald.

• De simulatie: De onderzoekers gebruikten een superkrachtige rekenmethode (DFT) om elke set opnieuw te "bouwen" op de computer. Ze lieten de stenen vallen en zagen hoe ze vanzelf in de meest stabiele, perfecte vorm terechtkwamen.
• De uitdaging: Soms wilde een set niet stabiel worden. De computer gaf dan een foutmelding. Gelukkig hadden ze een slimme "reparatiedienst" ingebouwd. Als een berekening faalde, probeerde de software het automatisch opnieuw met een iets andere instelling, net als een monteur die een motor probeert te starten als hij eerst niet wil.
• Het succes: Van de 46.000 sets die ze probeerden te optimaliseren, lukte het bij 85% om een perfecte, stabiele structuur te vinden.

3. De Digitale Showroom (De Database)

Wat hebben we nu? Een database met 32.013 unieke, perfect berekende kristalstructuren (de nieuwste versie, genaamd PBEsol-v2).

• Waarom is dit cool? Stel je voor dat je een nieuwe auto wilt ontwerpen. In plaats van zelf te beginnen met het smeden van staal, kun je naar deze database gaan en kijken naar de beste, al geteste ontwerpen.
• Transparantie: Het mooiste aan MC3D is dat je niet alleen het eindresultaat ziet, maar ook de volledige "receptgeschiedenis". Je kunt zien welke stappen de computer heeft gezet, welke fouten er waren en hoe ze zijn opgelost. Dit maakt het onderzoek volledig reproduceerbaar.

4. Waarom is dit belangrijk voor iedereen?

• Voor de wetenschap: Het is een perfecte basis voor kunstmatige intelligentie (AI). Als je een AI wilt leren nieuwe materialen te bedenken, heb je een enorme, schone dataset nodig. MC3D is die dataset.
• Voor de toekomst: Door te weten welke materialen er al bestaan en hoe ze er precies uitzien, kunnen we sneller nieuwe batterijen, zonnepanelen of medicijnen ontwikkelen.
• Open voor iedereen: Iedereen kan deze database gratis bekijken via een mooie website. Je kunt er doorheen bladeren, zoeken op elementen (zoals "ik zoek iets met koper en zuurstof") en zelfs de 3D-modellen draaien.

Kortom:
MC3D is als een gigantische, digitale "Gouden Gids" voor de bouwstenen van de natuur. De onderzoekers hebben de rommelige oude archieven opgeruimd, de blauwdrukken perfect gemaakt met de krachtigste rekenkracht die er is, en ze nu voor iedereen beschikbaar gesteld. Het is een fundament waarop de wetenschappers van morgen hun nieuwe uitvindingen zullen bouwen.

Technische samenvatting

Probleemstelling

Hoewel er reeds meerdere grote databanken met berekende materiaaleigenschappen bestaan (zoals Materials Project en OQMD), vertonen deze vaak inconsistenties in de gebruikte rekenprotocollen. Dit komt doordat verschillende databases vaak verschillende bronnen gebruiken, verschillende DFT-functionaliteiten toepassen of niet-uniforme invoerparameters hanteren. Deze inconsistenties maken het moeilijk om nauwkeurige machine-learningmodellen te trainen die generaliseren naar materialen die niet in de database voorkomen. Daarnaast ontbreken er vaak databanken die specifiek zijn gefocust op experimenteel bekende stochiometrische anorganische kristalstructuren die consistent zijn geoptimaliseerd met één enkele, reproduceerbare workflow. Er is dus behoefte aan een uniforme, open-source database met een volledige bewijslast (provenance) om de reproduceerbaarheid en betrouwbaarheid van materiaalsimulaties te waarborgen.

Methodologie

De auteurs hebben een volledig geautomatiseerde pipeline ontwikkeld om kristalstructuren te importeren, te filteren, te optimaliseren en te publiceren.

1. Data Import en Filtering:

   • Er zijn bijna 1 miljoen kristalstructuren geïmporteerd uit drie grote experimentele bronnen: de Crystallographic Open Database (COD), de Inorganic Crystal Structure Database (ICSD) en de Materials Platform for Data Science (MPDS).
   • Een strikte filteringspipeline is toegepast:
     • Validatie en correctie van CIF-bestanden (Crystallographic Information Files).
     • Verwijdering van niet-stochiometrische structuren (met partiële bezettingen).
     • Verwijdering van duplicaten (bepaald via chemische formule, ruimtegroep en StructureMatcher).
     • Uitsluiting van moleculaire kristallen (voornamelijk waterstofbevattende structuren uit COD die niet in ICSD/MPDS staan).
     • Uitsluiting van lanthaniden en actiniden (vanwege complexiteit van f-elektronen en beperkte pseudopotentialen).
   • Dit resulteerde in een broncollectie (MC3D-source) van 72.589 unieke, stochiometrische, anorganische kristalstructuren.

2. Berekening en Optimalisatie:

   • De geometrieën werden geoptimaliseerd met behulp van Density-Functional Theory (DFT) met de open-source code Quantum ESPRESSO (QE), versneld door de SIRIUS-bibliotheek (voor efficiëntie op GPU's).
   • Er werden verschillende versies gegenereerd met verschillende functionals en protocollen: PBE-v1, PBEsol-v1 en PBEsol-v2. De paper focust op de meest nauwkeurige versie, PBEsol-v2.
   • De workflow is geïmplementeerd in AiiDA, wat zorgt voor volledige automatisering en het vastleggen van elke stap in de berekening.

3. Foutafhandeling en Robuustheid:

   • Een geavanceerd systeem voor automatische foutafhandeling is ontwikkeld. Als een berekening faalt (bijv. door niet-convergentie), past de workflow automatisch invoerparameters aan (zoals mixing parameters of diagonalisatie-algoritmen) en start de berekening opnieuw (tot maximaal 5 keer).
   • Dit systeem zorgt ervoor dat de workflow schaalbaar is naar tienduizenden structuren.

4. Publicatie en Toegang:

   • De data is beschikbaar gesteld via het Materials Cloud platform.
   • Er is een webinterface voor interactieve exploratie en een OPTIMADE-compliant API voor gestandaardiseerde data-uitwisseling.
   • De volledige bewijslast (provenance graph) is toegankelijk, waardoor elke berekening volledig reproduceerbaar is.

Belangrijkste Bijdragen

• MC3D Database: Een nieuwe, open-access database met 32.013 unieke, geoptimaliseerde structuren (versie PBEsol-v2) die allemaal experimenteel bekend zijn (of als zodanig zijn gemarkeerd in de bron).
• Consistentie: Alle structuren zijn berekend met exact dezelfde input-protocollen, pseudopotentialen (SSSP v1.3 efficiency) en DFT-functional (PBEsol), wat een solide basis vormt voor machine learning.
• Volledige Reproduceerbaarheid: Dankzij AiiDA is de volledige geschiedenis van elke berekening (van ruwe CIF tot eindresultaat) bewaard en toegankelijk.
• Open Source Software: De hele pipeline maakt gebruik van open-source tools (AiiDA, QE, SIRIUS, pymatgen), in tegenstelling tot veel bestaande databases die vaak op gesloten software (zoals VASP) draaien.
• Nieuwe Ontdekkingen: De database bevat 3.328 unieke structuren die niet aanwezig zijn in de Materials Project of OQMD databases, voornamelijk door de opname van data uit COD en MPDS.

Resultaten

• Succesratio: Van de 38.739 verwerkte structuren (exclusief lanthaniden/actiniden) werden 33.142 structuren succesvol geoptimaliseerd (een succesratio van 85,5%). Zonder automatische foutafhandeling zou dit percentage aanzienlijk lager zijn.
• Foutanalyse: De meest voorkomende fouten waren het niet bereiken van ionische of elektronische convergentie. Het automatische systeem slaagde erin om in meer dan de helft van de gevallen met een fout de berekening alsnog te laten slagen door parameters aan te passen.
• Validatie: De meeste geoptimaliseerde structuren vertonen een volumeverandering van minder dan ±5% ten opzichte van de experimentele bron, wat aangeeft dat de optimalisatie fysiek zinvol is. Afwijkingen worden vaak geassocieerd met structuren die onder hoge druk/temperatuur zijn gemeten of met laagjesstructuren waar geen van der Waals-correcties op zijn toegepast.
• Unieke Inhoud: De database bevat structuren met nieuwe combinaties van samenstelling en ruimtegroep die niet in bestaande grote databases voorkomen.

Betekenis

De MC3D database is een waardevolle aanvulling op het landschap van computatiemateriaalwetenschap. Door zich te richten op experimenteel bekende stoffen met een consistent protocol, biedt het een betrouwbare "ground truth" voor het trainen van machine-learningmodellen. De beschikbaarheid van de volledige bewijslast en de open-source aard van de pipeline verhoogt de transparantie en reproduceerbaarheid van onderzoek. Het stelt onderzoekers in staat om sneller nieuwe materialen te screenen en te ontdekken, wetende dat de onderliggende data van hoge kwaliteit en consistent is. De database is direct toegankelijk via https://www.materialscloud.org/mc3d.