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

Dit artikel introduceert M-CODE, een compact classificatiesysteem dat materialenstructuren categoriseert op basis van dimensie, complexiteit en evolutie om de datastandaarden voor kunstmatige intelligentie in de materialenwetenschap te verbeteren.

De kern

Stel je voor dat je een enorme bibliotheek hebt, maar alle boeken zijn geschreven in verschillende talen, met verschillende alfabetten en zonder titels. Soms noemen ze een "muur" een "wand", en soms een "wand" een "muur". Als je nu een robot wilt bouwen die deze boeken leest om nieuwe materialen te ontwerpen (zoals betere batterijen of snellere chips), raakt die robot in de war. Hij weet niet precies wat hij moet doen met een "enkele laag" of een "kloof" in een materiaal.

Dit is precies het probleem dat wetenschappers in de materiaalkunde hebben. Ze hebben veel data, maar het is een rommeltje.

M-CODE is de oplossing voor deze chaos. Het is als een globaal standaardwoordenboek en een bouwplan voor materialen. Hier is hoe het werkt, vertaald naar alledaags taal:

1. De "LEGO" aanpak (Ontologie)

Stel je voor dat je een heel complex kasteel wilt bouwen. In plaats van te zeggen "bouw een kasteel", geeft M-CODE je een doos met standaard LEGO-blokken:

• De basisblokken: Een kristal (de steen), een vacuüm (de lucht), een los atoom (een extra steen).
• De instructies: Hoe je die blokken stapelt, rekken (strain), of samenvoegt.

Met M-CODE kun je niet zomaar zeggen "maak een plaatje". Je zegt: "Neem een kristal, snijd het op een specifieke hoek (zoals een boterham), voeg een laag lucht toe, en plak er nog een ander kristal tegenaan." Omdat iedereen dezelfde LEGO-blokken en instructies gebruikt, weet de computer exact wat er bedoeld wordt, ongeacht of je in Amerika, Nederland of China zit.

2. De "Receptkaart" (Evolutie)

In de echte wereld zijn materialen zelden perfect. Ze hebben krassen, gaten, of zijn samengesteld uit verschillende lagen. M-CODE houdt niet alleen vast aan het eindresultaat, maar ook aan hoe het gemaakt is.

Het is alsof je een recept hebt dat niet alleen zegt "dit is een taart", maar ook:

• "We begonnen met bloem en eieren (de basis)."
• "We hebben er een laagje jam op gedaan (de interface)."
• "We hebben per ongeluk een steen erin laten vallen (een defect)."

Dit noemen ze provenance (herkomst). Als je later een foutje in je taart ziet, kun je precies terugkijken welk ingrediënt het probleem veroorzaakte. Dit is cruciaal voor kunstmatige intelligentie (AI), zodat de AI niet leert van "perfecte taarten" die in de echte wereld niet bestaan, maar van de echte, imperfecte taarten.

3. De "Stempel" (Tags)

Om het makkelijk te maken, heeft M-CODE een kort, handig systeem van codes (tags), zoals P-2D-SLB-S.

• P = Pristine (Schoon/Perfect)
• 2D = Twee dimensies (zoals een vel papier)
• SLB = Slab (Een plaatje)
• S = Simple (Eenvoudig)

Dit is als een postzegel op een pakketje. Als je een AI ziet met zo'n postzegel, weet je direct: "Ah, dit is een simpele, schone plaat van 2D." Je hoeft niet de hele handleiding te lezen om te weten wat het is.

Waarom is dit belangrijk?

Vroeger waren datasets voor computers net een grote hoop losse stenen. Als je een AI trainde, leerde hij misschien alleen hoe je perfecte kristallen bouwt. Maar in de echte wereld werken batterijen en sensoren juist op de plekken waar het niet perfect is (bij de randen, bij de gaten, bij de verbindingen).

Met M-CODE kunnen wetenschappers:

1. Snel praten: Iedereen gebruikt dezelfde taal.
2. Herhalen: Iedereen kan precies hetzelfde materiaal bouwen, zelfs jaren later.
3. Slimmer AI maken: De AI leert nu over de echte, imperfecte wereld, niet alleen over de droomwereld.

Kortom: M-CODE is de vertaler en de bouwpakket-instructie die ervoor zorgt dat computers en wetenschappers eindelijk op één lijn zitten, zodat we sneller nieuwe materialen kunnen uitvinden voor onze toekomst.

Technische samenvatting

Probleemstelling

De snelle vooruitgang van kunstmatige intelligentie (AI) in de materiaalkunde vereist data-standaarden die de complexiteit van realistische structuren kunnen vastleggen. Huidige machine-learning datasets worden echter gedomineerd door geïdealiseerde driedimensionale kristallen. In de praktijk hangt de prestatie van materialen echter vaak af van oppervlakken, reconstructies, wanorde, defecten en heterogene interfaces.

Er bestaat een kloof tussen deze realiteit en de huidige data-praktijken:

• Terminologie-fragmentatie: Termen zoals "monolaag", "plaat" (slab) of "vacature" worden inconsistent gebruikt tussen verschillende subvelden.
• Incompatibiliteit: Code-implementaties coderen dezelfde concepten vaak op onverenigbare manieren.
• Gevolg: Dit maakt het moeilijk om datasets te cureren, modellen te vergelijken en de herkomst (provenance) van data te traceren. Er ontbreekt een gedeelde taal om te beschrijven hoe structuren zijn opgebouwd en hoe ze gereproduceerd kunnen worden.

Methodologie: Het M-CODE Framework

M-CODE (Materials Categorization via Ontology, Dimensionality and Evolution) is een compact classificatiesysteem dat domeinspecifieke terminologie koppelt aan herbruikbare software-concepten. De methodologie combineert:

1. Een compact classificatieschema voor doelstructuren.
2. Een op software gerichte ontologie van entiteiten en operaties voor reproduceerbare constructie.

Kernprincipes:

• JSON en JSON Schema: De basis voor data-organisatie en validatie. Schemas fungeren als "single source of truth", waaruit automatisch taalgebonden interfaces (Python, TypeScript) worden gegenereerd om consistentie te waarborgen.
• Constructie via Transformaties: Elke structuur wordt gezien als het resultaat van een proces waarbij "bouwstenen" (entiteiten) worden gecombineerd via operaties.
  • Entiteiten:
    • Kernentiteiten: Irreducibele fysieke stukken (bijv. bulk-kristal, vacuüm, losstaand atoom).
    • Hulpentiteiten: Descriptoren die builds parametriseren zonder atomen toe te voegen (bijv. supercel-matrices, Miller-indices).
    • Herbruikbare entiteiten: Geverifieerde macro-blokken (bijv. nanoribbons, gespannen kristallen).
  • Operaties: Algoritmen die entiteiten modificeren of combineren.
    • Modificaties: Spanning (strain), herhaling (repeat), verstoring (perturb).
    • Combinaties: Stapelen (stack), samenvoegen (merge).
• Evolutie: Structuren worden geclassificeerd op basis van hoe ze evolueren vanuit eenvoudigere bouwstenen:
  • Pristine: Afgeleid van één oudermateriaal (bijv. een plaat uit een kristal).
  • Compound Pristine: Gecombineerd uit twee of meer pristine materialen (bijv. interfaces).
  • Defect: Atomen toegevoegd, verwijderd of vervangen.
  • Processed: Fysische of chemische verwerking (bijv. thermische wanorde, passivering).

Belangrijkste Bijdragen

1. Compacte Classificatie: Een gestructureerde indeling van realistische structuren op basis van domein, dimensionaliteit (3D, 2D, 1D, 0D), categorie en varianten, met stabiele tags voor veelvoorkomende klassen.
2. Implementatie-gerichte Ontologie: Een definitie van entiteiten en operaties die direct kan worden gemapt naar JSON-schema's en object-georiënteerde codeklassen.
3. Provenance-aware Metadata: Permissieve en uitbreidbare conventies om de volledige bouwgeschiedenis (inputs, transformaties, parameters) in de gegenereerde materialen vast te leggen.
4. Open Source Implementatie: Beschikbaarheid van schema's, voorbeelden en referentie-implementaties (onder de naam mat3ra-esse) via PyPI en NPM, inclusief Python en TypeScript bindings.

Resultaten

Het artikel presenteert een volledig werkend framework met de volgende concrete outputs:

• M-CODE Tags: Een compacte tag-systeem (bijv. P-2D-SLB-S voor een simpele 2D-plaat, D-0D-VAC voor een vacature) dat workflows en datasets beknopt kan annoteren.
• Validatie en Uitwisseling: JSON-schema's die het mogelijk maken om complexe configuraties (zoals een Ni-Graphene interface of een substitutief defect) machine-leesbaar te definiëren en te valideren.
• Voorbeelden: Gedetailleerde voorbeelden van schema's en JSON-instanties voor:
  • 2D-interfaces (stapeling van gespannen supercellen met vacuüm).
  • Substitutie-defecten (samenvoegen van een kristal met een defect-site).
  • Nanoribbons (stapelen van kristalroosters in twee richtingen).
• Provenance-tracking: Het systeem slaat niet alleen het eindresultaat op, maar ook de "build graph" (de reeks configuraties en operaties), wat volledige reproduceerbaarheid garandeert.

Betekenis en Impact

M-CODE heeft aanzienlijke implicaties voor de data-gedreven materiaalkunde en AI:

• FAIR-principes: Het systeem maakt data Vindbaar (via tags), Toegankelijk (open schema's), Interoperabel (gedeelde vocabulaire) en Herbruikbaar (door gedetailleerde provenance).
• Kwaliteit van Datasets: Het helpt om over-simplificatie te vermijden en datasets te creëren die heterogene en defect-rijke omgevingen beter representeren, wat essentieel is voor robuuste AI-modellen.
• Automatisering: Door de koppeling tussen categorie en workflow kunnen downstream tools automatisch de juiste simulatie-instellingen selecteren (bijv. dipoolcorrecties voor platen, rooster-aanpassing voor interfaces).
• Community en Standaardisatie: Als open-source standaard faciliteert M-CODE samenwerking, vermindert het duplicatie van code en stelt het onderzoekers in staat om datasets transparant te vergelijken en te reproduceren. Het vormt een cruciale tussenlaag tussen ruwe data en toepasbare modellen.

Samenvattend biedt M-CODE een brug tussen de theoretische complexiteit van materialen en de praktische vereisten van reproduceerbare, schaalbare data-wetenschap.