Graphlet Histogram Representation Database of Inorganic Crystals

Este artigo apresenta o Graphlet-MP, um banco de dados abrangente e um kit de ferramentas de código aberto que fornece representações de histogramas de graphlets interpretáveis e eficientes em termos de dados para mais de 149.000 cristais inorgânicos para permitir a previsão de propriedades de materiais mesmo com dados experimentais escassos.

O essencial

Imagine que você esteja tentando descrever um edifício complexo para um amigo que nunca o viu. Você poderia apenas listar os ingredientes: "Tem 500 tijolos, 20 janelas e uma porta vermelha". Isso é como olhar apenas para a composição de um material (o que há dentro dos átomos). Mas essa descrição falha em dizer se as janelas estão no segundo andar ou no telhado, ou se os tijolos estão empilhados em uma parede ou em uma espiral. Na ciência dos materiais, esse detalhe ausente é crucial porque a arrumação dos átomos determina como o material se comporta (como se ele conduz eletricidade ou se dobra).

Este artigo apresenta uma nova maneira mais inteligente de descrever cristais chamada Graphlet-MP. Veja como ela funciona, dividida em conceitos simples:

1. O Problema: "Caixa Preta" vs. "Planta Baixa"

A maioria dos modelos computacionais modernos tenta aprender como descrever materiais lendo milhões de simulações computacionais caras (chamadas de Teoria do Funcional da Densidade). É como tentar aprender a fazer um bolo provando milhares de bolos sem nunca ter visto a receita. Isso funciona se você tiver dados infinitos, mas falha quando você tem apenas alguns exemplos do mundo real (o que é comum para novos materiais raros).

Outros métodos tentam usar "conhecimento de domínio" (regras humanas), mas muitas vezes ignoram a forma do edifício, tratando-o como um saco de ingredientes em vez de uma casa estruturada.

2. A Solução: A Planta Baixa do "Graphlet"

Os autores criaram um sistema que decompõe um cristal em uma planta baixa hierárquica usando três níveis de detalhe, muito parecido com descrever uma cidade:

• Nível 1: As Pessoas (Sítios Atômicos)
  Em vez de apenas dizer "há 100 pessoas", eles contam quem está lá e como elas são. Eles rastreiam 10 traços diferentes para cada átomo (como sua "personalidade", por exemplo, o quão fortemente eles atraem elétrons ou seu tamanho). Eles criam um histograma (um gráfico de barras) mostrando a distribuição desses traços por todo o cristal.
• Nível 2: Os Aperto de Mãos (Pares Ligados)
  Agora, eles observam quem está ao lado de quem. Eles mapeiam cada par de átomos conectados. Eles não dizem apenas "A está perto de B"; eles medem a distância entre eles e como suas "personalidades" diferem. Isso captura a conectividade da estrutura.
• Nível 3: Os Ângulos (Tripletos de Ângulo de Ligação)
  Finalmente, eles olham para três átomos de cada vez para ver os ângulos entre eles. Isso é como verificar se um canto é uma curva de 90 graus ou uma curva aberta e larga. Isso captura a geometria 3D que os métodos anteriores costumavam perder.

Ao combinar esses três níveis, eles geram 79 histogramas diferentes (distribuições) para cada material individual. Pense nisso como um cartão de identidade único de 79 páginas para cada cristal, descrevendo seu vizinhança local em detalhes extremos.

3. A Regra "Voronoi": Quem é um Vizinho?

Para saber quem está ao lado de quem, os autores não usaram uma regra simples de "todos dentro de 5 pés" (que pode ser imprecisa em áreas lotadas ou esparsas). Em vez disso, eles usaram um método chamado Tesselação de Voronoi com Filtro (Screened Voronoi Tessellation).

Imagine pingar uma gota de água em uma superfície; ela se espalha até encontrar outras gotas. A fronteira onde duas gotas se encontram é o seu limite compartilhado. Os autores usam essa lógica geométrica para decidir quais átomos são verdadeiros vizinhos. Eles então aplicam um "filtro" (screen) para ignorar conexões minúsculas e sem sentido, garantindo que contem apenas ligações fisicamente significativas. Isso cria um mapa robusto da estrutura do cristal.

4. A Métrica "Movimentação de Terra": Comparando Materiais

Uma vez que você tenha esses 79 histogramas para dois materiais diferentes, como você diz o quão semelhantes eles são?

• Jeito Ruim: Contar quantos blocos são diferentes nos gráficos. Se um bloco se desloca ligeiramente para a direita, uma contagem simples pode dizer que eles são totalmente diferentes, mesmo que sejam muito parecidos.
• O Jeito do Artigo (Distância do Transportador de Terra - Earth Mover's Distance): Imagine que as barras do histograma são pilhas de terra. Para transformar a pilha do Material A na pilha do Material B, você tem que mover a terra. A "distância" é a quantidade de trabalho necessária para mover essa terra. Se as pilhas estiveram levemente deslocadas, o trabalho é pequeno (eles são semelhantes). Se as pilhas estão em lugares completamente diferentes, o trabalho é grande (eles são diferentes).

Este método é robusto contra pequenos erros e respeita a realidade física de que átomos próximos uns dos outros são mais semelhantes do que átomos distantes.

5. O Resultado: Uma Biblioteca Massiva

Os autores não apenas inventaram o método; eles construíram uma biblioteca massiva chamada Graphlet-MP.

• Eles processaram 149.082 cristais inorgânicos do banco de dados Materials Project.
• Eles pré-calcularam todos os 79 histogramas para cada um deles.
• Eles tornaram o código open-source (código aberto), para que qualquer pessoa possa pegar uma nova estrutura de cristal (mesmo uma de um experimento real de laboratório) e gerar instantaneamente seu cartão de identidade de 79 páginas para comparar com a biblioteca.

Por Que Isso Importa

Esta abordagem é como dar aos cientistas um tradutor universal para materiais. Em vez de precisar de milhões de exemplos para ensinar um computador o que um material é, os pesquisadores podem usar esses projetos pré-fabricados e compreensíveis por humanos. Isso permite prever propriedades (como supercondutividade ou piezoelectricidade) mesmo quando se tem uma pequena quantidade de dados experimentais, preenchendo a lacuna entre simulações computacionais e a descoberta no mundo real.

Resumo técnico

Resumo Técnico: Base de Dados de Representação por Histograma de Grafletos de Cristais Inorgânicos

Definição do Problema
As abordagens atuais de aprendizado de máquina para a previsão de propriedades de materiais dependem cada vez mais do aprendizado de ponta a ponta a partir de grandes bases de dados de teoria do funcional da densidade (DFT). Embora eficazes em regimes ricos em dados, esses métodos têm dificuldade quando os dados experimentais rotulados são escassos, como ocorre frequentemente em descobertas de alto impacto, como supercondutores de alta temperatura ou novos piezoelétricos. Além disso, muitas representações existentes falham em capturar nuances estruturais críticas: métodos baseados apenas em composição (ex: MAGPIE) não conseguem distinguir polimorfos, enquanto redes neurais de grafos (GNNs) frequentemente omitem ângulos de ligação ou os codificam de forma opaca, exigindo conjuntos de dados massivos para aprender representações significativas. Além disso, os dados de treinamento baseados em DFT podem propagar erros sistemáticos devido a desvios da realidade experimental. Há uma necessidade de representações impulsionadas pelo conhecimento do domínio que sejam eficientes em termos de dados, interpretáveis e capazes de capturar a geometria estrutural local sem o fardo de aprender a representação do zero.

Metodologia
Os autores introduzem o Graphlet-MP, um banco de dados e um framework de representação baseado em histogramas de grafletos. Esta abordagem incorpora explicitamente invariâncias físicas e intuição química em vez de aprendê-las a partir dos dados. A metodologia procede através das seguintes etapas:

1. Construção do Grafo de Vizinhos: Em vez de utilizar cortes radiais rígidos ou heurísticas arbitrárias de $k$-vizinhos mais próximos, o método emprega uma tesselação de Voronoi com filtragem (screened Voronoi tessellation). Dois átomos são considerados vizinhos se suas células de Wigner–Seitz compartilham uma face geométrica. Para garantir o rigor físico, duas condições de filtragem são aplicadas:

   • O peso da face de Voronoi (ângulo sólido normalizado pelo máximo para aquele sítio) deve exceder 1%.
   • A distância interatômica deve estar dentro de 1,5 vezes a soma dos raios atômicos efetivos.
     Isso resulta em um mapa de vizinhança robusto que se adapta a diferentes frações de empacotamento.

2. Extração de Grafletos: O método extrai subgrafos determinísticos e interpretáveis (grafletos) em três ordens hierárquicas:

   • 1ª Ordem (Sítios Atômicos): Captura a identidade e o estado eletrônico de sítios individuais. Dez atributos elementares (ex: eletronegatividade de Pauling, afinidade eletrônica, potencial de ionização, raio covalente, peso atômico, coluna da tabela periódica e contagens de elétrons de valência) são monitorados. Para materiais não estequiométricos, os atributos são ponderados pela ocupação do sítio.
   • 2ª Ordem (Pares Ligados): Captura conectividade e propriedades ao nível de ligação. Para cada par conectado válido, propriedades permutação-invariantes são computadas usando a média e a diferença absoluta dos 10 atributos do sítio, além da distância interatômica.
   • 3ª Ordem (Tripletes de Ângulo de Ligação): Captura restrições angulares. Definidos como um sítio central com dois vizinhos de Voronoi válidos, esses tripletes incluem a média, o desvio padrão, a assimetria (skewness) e a curtose dos 10 atributos do sítio, com os ângulos de ligação servindo como um grau de liberdade geométrico adicional.

3. Representação por Histograma: Para padronizar o número variável de grafletos entre diferentes cristais, os atributos extraídos são agrupados em histogramas. Isso resulta em 79 distribuições por material: 10 para a 1ª ordem, 21 para a 2ª ordem e 48 para a 3ª ordem.

4. Métrica de Distância: Para comparar materiais dentro deste espaço, os autores utilizam a Distância do Transportador de Terra (Earth Mover's Distance - EMD), ou distância de Wasserstein-1. Diferente de métricas pontuais (ex: distância Euclidiana) que tratam os bins independentemente, a EMD mede o "trabalho" mínimo para transformar uma distribuição em outra, penalizando deslocamentos proporcionalmente à sua magnitude física. A distância inter-material total é a soma das EMDs normalizadas de todos os 79 atributos. Esta métrica é robusta a pequenas perturbações e resolve a multiplicidade de CIF (ex: representações de célula primitiva vs. supercélula produzem histogramas idênticos).

Principais Contribuições

• Banco de Dados Graphlet-MP: Um banco de dados pré-computado de representações de histogramas de grafletos para 149.082 cristais inorgânicos do Materials Project (MP). O conjunto de dados compreende 60 GB de dados, com cada material descrito por 79 distribuições.
• Especificação Técnica: Uma definição completa e autossuficiente da representação de histograma de grafletos, incluindo a construção de vizinhança de Voronoi com filtragem e a lógica específica de extração de atributos.
• Formalização da Métrica de Distância: Uma especificação completa da métrica baseada em EMD adaptada para histogramas de grafletos, demonstrando sua adequação para previsão de propriedades baseada em kernel.
• Base de Código Open-Source: Uma ferramenta publicamente disponível que permite aos usuários gerar histogramas de grafletos a partir de quaisquer Arquivos de Informação Cristalográfica (CIFs), incluindo estruturas determinadas experimentalmente, e computar a métrica EMD.

Resultos
O artigo não apresenta novos resultados de previsão de propriedades, mas faz referência a um trabalho anterior (Ref. [5]) onde esta representação foi aplicada com sucesso. Nesse contexto, um modelo de processo gaussiano (GP-Tc) treinado com apenas ~4.350 supercondutores obtidos experimentalmente alcançou um $R^2$ de 0,93 para a previsão de temperaturas de transição supercondutora ($T_c$). A interpretabilidade da representação de grafletos permitiu a compressão do espaço de atributos para quatro descritores, identificando a diferença de afinidade eletrônica entre átomos vizinhos como o preditor mais informativo. O modelo previu com sucesso e confirmou experimentalmente a supercondutividade no PtPb$_3$Bi ($T_c \approx 3$ K).

Significância
Os autores posicionam o Graphlet-MP como um fundamento compartilhado para a comunidade de informática de materiais, particularmente para cenários onde os dados experimentais são escassos. Ao desacoplar a representação do preditor de propriedades, o framework permite que pesquisadores treinem modelos interpretáveis para diversas propriedades (supercondutividade, eletricidade dielétrica, piezoelectricidade) sem a necessidade de volumes massivos de dados exigidos por modelos de ponta a ponta de "caixa-preta". A representação é projetada para ser extensível, permitindo que laboratórios integrem CIFs proprietários ou experimentais no mesmo espaço representacional. Os autores argumentam que, à medida que a comunidade reconhece as limitações dos modelos ávidos por dados para guiar programas experimentais reais, representações transparentes, pré-computáveis e apoiadas por bancos de dados prontos para uso e bases de código extensíveis desempenharão um papel central na ponte entre a previsão computacional e a descoberta em laboratório.