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

本文提出了名为 M-CODE 的材料分类系统，该系统通过本体、维度和演化三个维度将材料术语与可重用概念及溯源转换相结合，旨在解决人工智能在材料科学中处理复杂结构（如表面、界面、缺陷及维度降低）时的数据标准化与管理问题，并提供了包含 JSON 模式及多语言类型定义的开源实现以支持可复现的数据集生成与社区贡献。

要点

这篇论文介绍了一个名为 M-CODE 的新系统，它的核心目的是解决材料科学中一个非常头疼的问题：如何给千变万化的材料结构“贴标签”并“讲清楚它们是怎么造出来的”。

为了让你更容易理解，我们可以把材料科学想象成乐高（LEGO）世界，而 M-CODE 就是这套世界通用的**“乐高说明书语言”和“分类目录”**。

1. 现在的困境：大家都说“方言”，乐高没法拼

在以前的材料研究中，科学家们虽然都在研究材料，但大家用的“语言”不太一样。

• 理想化 vs. 现实： 很多电脑模拟只喜欢研究完美的、像水晶球一样的大块晶体（就像只研究完美的正方体乐高积木）。但现实世界中的材料（比如手机芯片里的界面、电池里的缺陷、纳米线）往往是不完美的、有缺口的、或者是由不同材料拼起来的。
• 沟通障碍： 当科学家 A 说“我要做一个单层膜”，科学家 B 说“我要做一个切片”，他们可能心里想的是同一个东西，但电脑代码里却把它们当成完全不同的两回事。这就导致数据很难共享，人工智能（AI）也很难学会识别这些复杂的结构。

2. M-CODE 是什么？一套通用的“乐高构建语言”

M-CODE（材料分类、本体、维度和演化）就像是为材料科学设计的一套标准化的“乐高构建指令集”。它不再只是给材料起个名字，而是把材料拆解成**“积木块”和“拼搭步骤”**。

它主要做了三件事：

A. 把材料拆解成“积木块” (Entities)

M-CODE 认为，任何复杂的材料都是由简单的“积木”拼出来的。这些积木包括：

• 基础块： 比如一块完美的晶体（3D）、一层原子膜（2D）、甚至是一个单独的原子（0D）。
• 辅助工具： 比如“真空层”（用来把材料隔开）、“切割刀”（用来切出特定形状）、“应变器”（用来拉伸材料）。
• 比喻： 就像你拼乐高，你需要“底板”、“凸点”、“连接件”。M-CODE 把这些都定义清楚了，不管谁拼，用的都是同一套零件。

B. 记录“拼搭步骤” (Operations & Evolution)

这是 M-CODE 最聪明的地方。它不仅告诉你“这是什么”，还告诉你“它是怎么来的”。

• 演化路径： 一个材料是怎么从简单的晶体变成复杂的界面的？
  • 第一步： 拿一块晶体（Pristine）。
  • 第二步： 切掉一层，变成切片（Slab）。
  • 第三步： 在上面加一层真空（Vacuum）。
  • 第四步： 把另一块材料叠上去（Stack）。
• 比喻： 就像做菜的食谱。以前只告诉你“这是一道宫保鸡丁”；M-CODE 会告诉你：“先切鸡丁，再切花生，然后炒，最后加糖醋”。这样，哪怕你换了一个厨房（不同的软件），只要照着食谱（M-CODE 的指令），就能做出完全一样的菜（材料结构）。

C. 给材料发“身份证” (Tags)

M-CODE 发明了一套简短的**“标签代码”**，就像快递单号一样，一眼就能看出材料的身份。

• P-2D-SLB-S：代表“完美（P）”的“二维（2D）”“切片（SLB）”“简单版（S）”。
• D-0D-VAC：代表“有缺陷（D）”的“零维（0D）”“空位（VAC，即少了一个原子）”。
• 比喻： 以前你看到一块石头，得写几百字描述它；现在只要贴个"M-2D-SLB"的标签，所有懂行的人和电脑都知道它长什么样、怎么来的。

3. 为什么这很重要？（对 AI 和未来的意义）

• 让 AI 更聪明： 现在的 AI 在学材料时，如果只见过完美的晶体，到了现实世界（有缺陷、有界面）就会“晕头转向”。M-CODE 把各种复杂的现实结构都标准化了，AI 就能系统地学习“完美晶体”、“有缺陷的晶体”、“界面”等所有类别，从而真正理解材料。
• 数据不再“孤儿”： 以前很多实验数据做完就扔在那，因为不知道具体是怎么做出来的，别人没法复现。有了 M-CODE，每个数据都带着完整的“构建历史”（Provenance），别人可以一键“复现”这个结构。
• FAIR 原则： 它让数据变得可发现（Findable）、可访问（Accessible）、可互操作（Interoperable）、可重用（Reusable）。就像把散落在世界各地的乐高图纸，统一整理进了一个巨大的、有索引的图书馆。

总结

M-CODE 就像是给材料科学世界制定了一套“通用语法”和“标准食谱”。

它不再让科学家各自为战，而是把复杂的材料结构拆解成标准的积木和步骤。这样，无论是人类科学家还是人工智能，都能轻松理解、交流、复现和创造各种复杂的材料，从完美的晶体到有缺陷的纳米线，都能被精准地“翻译”成计算机能听懂的语言。

这就好比以前大家各自用方言拼乐高，现在 M-CODE 给了大家一本全球通用的乐高说明书，让全世界的材料研究都能无缝衔接，共同加速新材料的发现。

技术摘要

M-CODE 论文技术总结

论文标题：M-CODE: Materials Categorization via Ontology, Dimensionality and Evolution（M-CODE：基于本体、维度和演化的材料分类）
作者：Vsevolod Biryukov, Kamal Choudhary, Timur Bazhirov
核心领域：材料科学、数据科学、本体论、FAIR 数据实践

---

1. 研究背景与问题 (Problem)

随着人工智能在材料科学中的快速发展，现有的数据标准和数据管理实践面临严峻挑战，主要体现在以下方面：

• 理想化与现实的脱节：大多数机器学习数据集和基准测试主要基于理想的三维晶体结构。然而，现实世界中的材料性能往往取决于表面、界面、缺陷、无序结构以及维度降低（如二维材料、纳米线）等复杂因素。
• 术语不一致与碎片化：不同子领域对“单层”、“薄膜”、“界面”或“空位”等术语的使用缺乏统一标准。代码实现中往往以不兼容的方式重新编码相同概念，导致数据集难以整理、模型难以比较、以及数据来源（Provenance）难以追踪。
• 缺乏可复现的构建语言：目前缺乏一种共享语言来描述结构的定义、构建过程以及如何复现这些结构，阻碍了从假设到验证洞察的自动化流程。

2. 方法论 (Methodology)

M-CODE（Materials Categorization via Ontology, Dimensionality and Evolution）提出了一种紧凑的分类系统，旨在将材料科学术语链接到可重用的软件实体和操作流程。其核心方法论包括：

• 基于 JSON Schema 的数据组织：

  • 使用 JSON 和 JSON Schema 作为数据组织、验证和交换的基础。
  • 采用“单一事实来源”（Single Source of Truth）策略：从 JSON Schema 自动生成 Python 和 TypeScript 的接口/类，确保不同实现之间定义的一致性。
  • 参考实现已开源为 mat3ra-esse 包。

• 实体与操作的本体论 (Ontology of Entities and Operations)：

  • 实体 (Entities)：将材料结构分解为构建块。
    • 核心实体 (Core Entities)：不可再分的物理部分，如体晶体 (crystal)、真空 (vacuum)、独立原子 (atom)、晶格位点 (crystal_site)。
    • 辅助实体 (Auxiliary Entities)：用于参数化构建的描述符，如超胞矩阵 (supercell_matrix)、密勒指数 (miller_indices)、形状函数 (shape_function)。
    • 可重用实体 (Reusable Entities)：经过验证的宏块，如超胞、应变晶体、纳米带截面等。
  • 操作 (Operations)：修改或组合实体的算法。
    • 修改 (Modifications)：如应变 (strain)、重复 (repeat)、扰动 (perturb)。
    • 组合 (Combinations)：如堆叠 (stack)、合并 (merge)。

• 演化路径 (Evolution)：

  • 将目标结构的生成视为从简单构建块通过一系列操作演化的过程。
  • 分类涵盖四个演化阶段：
    1. 纯净结构 (Pristine)：从单一母材料通过切割和组装构建（如薄膜）。
    2. 复合纯净结构 (Compound Pristine)：从两种或多种母材料通过组合构建（如异质结、界面）。
    3. 缺陷结构 (Defective)：通过插入、移除或替换原子构建（如空位、替位、间隙原子）。
    4. 处理结构 (Processed)：涉及物理或化学处理（如退火引入的热无序、表面钝化）。

3. 主要贡献 (Key Contributions)

1. 紧凑的分类体系：提出了基于领域、维度（3D/2D/1D/0D）、类别和变体的结构分类法，并为常见类别提供了稳定的标签（Tags）。
2. 面向实现的本体论：定义了一套可映射到 JSON Schema 及对应代码类/方法的实体和操作本体，实现了科学描述到机器可读配置的转换。
3. 可拓展的元数据规范：制定了宽松的元数据约定，用于记录生成材料中的构建来源（Provenance），确保结构的可复现性。
4. 开源实现与生态：发布了包含 JSON Schema、示例数据以及 Python/TypeScript 类型定义的参考实现，支持可复现的数据集生成、验证和社区贡献。

4. 结果 (Results)

• M-CODE 标签系统：
  • 开发了一套紧凑的标签系统（例如 P-2D-SLB-S 代表纯净的简单二维薄膜，C-2D-INT-Z 代表复合的零层失配界面），用于工作流和数据集的简洁标注。
  • 标签编码了结构类别（P/纯净，C/复合，D/缺陷，X/处理）、维度和具体变体。
• 分类表与可视化：
  • 构建了详细的分类表，覆盖了从理想晶体到复杂界面、缺陷和纳米结构的广泛类别。
  • 提供了具体的 JSON Schema 示例（如界面配置、替位点缺陷、纳米带），展示了如何通过嵌套的 stack 和 merge 操作定义复杂结构。
• 来源追踪 (Provenance)：
  • 生成的材料对象包含完整的构建元数据，记录了配置组件、构建参数（如晶格矩阵、真空层大小）和操作序列，使得任何结构都可以被精确复现。

5. 意义与影响 (Significance)

• 弥合理想与现实的鸿沟：M-CODE 使研究人员能够系统地定义、生成和处理包含表面、界面和缺陷的真实世界材料结构，而不仅仅是理想晶体，从而提升 AI 模型的泛化能力。
• 支持 FAIR 原则：
  • 可发现 (Findable)：通过紧凑标签和类别元数据。
  • 可访问 (Accessible)：通过开放的 JSON Schema。
  • 可互操作 (Interoperable)：统一的实体和操作用语跨越工具和语言。
  • 可复用 (Reusable)：通过完整的来源元数据记录，确保结构可被重新生成。
• 提升数据质量与 AI 就绪度：
  • 允许按结构类别过滤和平衡训练集，避免模型仅在理想结构上过拟合。
  • 通过显式的来源追踪，可以检测并纠正训练集与测试集之间的数据泄露（例如，当测试集结构源自训练集结构的同一父材料时）。
• 促进社区协作：作为开源标准，M-CODE 降低了不同工具、数据库和 AI 模型之间集成的门槛，促进了材料科学数据生态系统的标准化和互操作性。

总结：M-CODE 不仅仅是一个分类法，它是一个连接材料科学概念与可执行软件工作流的中间层标准。它通过标准化的构建块和演化路径，解决了材料数据中结构定义混乱和来源不可追溯的问题，为下一代基于 AI 的材料发现奠定了坚实的数据基础。