Graphlet Histogram Representation Database of Inorganic Crystals

本文介绍了 Graphlet-MP，这是一个综合性的数据库和开源工具包，它为超过 149,000 种无机晶体提供了具有可解释性且数据高效的图元直方图表示，从而在实验数据稀缺的情况下实现材料属性预测。

要点

想象一下，你正试图向一位从未见过这座复杂建筑的朋友描述它。你大可以只列出它的成分：“它有500块砖、20扇窗户和一个红色的门。”这就像仅仅观察一种材料的组成（即里面有哪些原子）。但这种描述无法告诉你窗户是在二楼还是在屋顶，或者砖块是堆成一面墙还是一个螺旋形。在材料科学中，这种缺失的细节至关重要，因为原子的排列方式决定了材料的行为（例如它是导电还是具有延展性）。

本文介绍了一种描述晶体的新型、更智能的方法，称为 Graphlet-MP。以下是其工作原理的拆解，通过简单的概念进行说明：

1. 问题所在：“黑箱” vs. “蓝图”

大多数现代计算机模型试图通过阅读数百万个昂贵的计算机模拟（称为密度泛函理论，DFT）来学习如何描述材料。这就像是通过品尝成千上万个蛋糕来学习如何烘焙蛋糕，却从未见过食谱。如果你拥有无穷无尽的数据，这种方法行得通；但当你只有少量真实世界的案例时（这在研究新型、稀有材料时很常见），这种方法就会失效。

其他方法试图利用“领域知识”（人类规则），但往往会忽略建筑的形状，将结构视为一袋原材料，而不是一座有结构的房子。

2. 解决方案： “Graphlet” 蓝图

作者创建了一个系统，通过三个详细程度不同的层级将晶体分解为一个层级化的蓝图，非常类似于描述一座城市：

• 第一层：人（原子位点）
  他们不只是说“这里有100个人”，而是统计谁在那里以及他们是什么样的人。他们追踪每个原子的10种不同特征（例如他们的“个性”，比如吸引电子的强度或大小）。他们创建了一个直方图（柱状图），展示了整个晶体中这些特征的分布情况。
• 第二层：握手（键合对）
  现在，他们观察谁站在谁旁边。他们绘制出每一个相连原子对的映射。他们不只是说“A在B旁边”；他们还测量两者之间的距离以及它们的“个性”差异。这捕捉到了结构的连通性。
• 第三层：角度（键角三元组）
  最后，他们一次观察三个原子，以查看它们之间的角度。这就像是在检查一个转角是锐利的90度直角，还是宽阔的开放曲线。这捕捉到了以往方法经常遗漏的3D几何形状。

通过结合这三个层面，他们为每种材料生成了 79 种不同的“直方图”（分布）。你可以将其想象为每种晶体的一张独特的 79 页身份证，极其详细地描述了其局部邻域。

3. “Voronoi” 规则：谁是邻居？

为了确定谁站在谁旁边，作者没有使用简单的“每个人都在5英尺内”的规则（这在拥挤或稀疏区域可能不准确）。相反，他们使用了一种称为**屏蔽 Voronoi 镶嵌（Screened Voronoi Tessellation）**的方法。

想象一下，将一滴水滴在表面上；它会向外扩散，直到碰到其他水滴。两滴水相遇的地方就是它们的共同边界。作者使用这种几何逻辑来决定哪些原子是真正的邻居。然后，他们应用一个“屏蔽”（过滤器）来忽略微小的、无意义的连接，确保他们只计算具有物理意义的键合。这创建了一个稳健的晶体结构图。

4. “搬运地球”度量：比较材料

一旦你拥有了两种不同材料的这 79 个直方图，你该如何说明它们之间的相似性呢？

• 错误的方法： 统计图表中多少个柱条不同。如果一个柱条稍微向右移动了一点，简单的计数可能会说它们完全不同，尽管它们其实非常相似。
• 本文的方法（推土机距离/Earth Mover's Distance）： 想象这些直方图的柱条是土堆。要将材料 A 的土堆变成材料 B 的土堆，你必须移动这些土。这种“距离”就是移动这些土所需的功。如果土堆只是稍微偏移了，所需的功就很少（它们很相似）。如果土堆在完全不同的位置，则需要做很多功（它们不同）。

这种方法对微小的误差具有鲁棒性，并且尊重物理现实，即距离较近的原子比距离较远的原子更相似。

5. 结果：一个庞大的库

作者不仅发明了这种方法，还建立了一个名为 Graphlet-MP 的庞大库。

• 他们处理了来自 Materials Project 数据库的 149,082 个无机晶体。
• 他们为每一个晶体都预先计算了所有的 79 个直方图。
• 他们使代码开源，因此任何人都可以采用一个新的晶体结构（甚至是来自真实实验室实验的结构），并立即生成其 79 页的身份证，以便与该库进行比较。

为什么这很重要

这种方法就像是给了科学家一个通用翻译器。研究人员不需要通过数百万个示例来教计算机什么是材料，而是可以使用这些预制的、人类可理解的蓝图。这使得预测材料特性（如超导性或压电性）成为可能，即使在只有少量实验数据的情况下也是如此，从而弥合了计算机模拟与现实世界发现之间的鸿沟。

技术摘要

技术摘要：无机晶体图元直方图表示数据库

问题陈述
目前的材料属性预测机器学习方法日益依赖于来自大规模密度泛函理论（DFT）数据库的端到端学习。虽然这些方法在数据丰富的领域表现出色，但在标签实验数据稀缺的情况下（例如对于高温超导体或新型压电材料等高影响力发现而言），它们往往难以应对。此外，许多现有的表示方法无法捕捉关键的结构细微差别：仅基于成分的方法（如 MAGPIE）无法区分同质多晶，而图神经网络（GNN）通常忽略键角或以不透明的方式对其进行编码，这需要海量的数据集来学习有意义的表示。此外，基于 DFT 的训练数据可能会因为偏离实验现实而传播系统误差。因此，需要一种基于领域知识驱动的表示方法，这种方法应具备数据高效性、可解释性，并能在无需从头学习表示的情况下捕捉局部结构几何特征。

方法论
作者引入了 Graphlet-MP，这是一个基于**图元直方图（graphlet histograms）**的数据库和表示框架。该方法通过显式嵌入物理不变性和化学直觉，而非从数据中学习，来构建表示。其方法论通过以下步骤进行：

1. 邻居图构建： 该方法并非使用僵化的径向截断或任意的 $k$-最近邻启发式算法，而是采用了筛选维诺图（screened Voronoi tessellation）。如果两个原子的 Wigner–Seitz 胞共享一个几何面，则认为它们是邻居。为了确保物理严谨性，应用了两个筛选条件：

   • 维诺面权重（相对于该位点最大权重的立体角归一化值）必须超过 1%。
   • 原子间距离必须在 1.5 倍有效原子半径之和以内。
     这产生了一个能够适应不同堆积效率的鲁棒邻居映射。

2. 图元提取： 该方法按三个层级提取确定性的、可解释的子图（graphlets）：

   • 一阶（原子位点）： 捕捉单个位点的身份和电子状态。追踪十种元素属性（例如：保林电负度、电子亲和力、电离能、共价半径、原子量、周期表列以及价电子计数）。对于非化学计量比材料，属性根据位点占据率进行加权。
   • 二阶（键合对）： 捕捉连通性和键级属性。对于每一个有效的连接对，通过计算 10 个位点属性的均值和绝对差值，结合原子间距离，计算出置换不变特征。
   • 三阶（键角三元组）： 捕捉角度约束。定义为一个中心位点及其两个有效的维诺邻居，这些三元组包含 10 个位点属性的均值、标准差、偏度和峰度，并将键角作为额外的几何自由度。

3. 直方图表示： 为了标准化不同晶体之间变化的图元数量，提取的特征被分箱到直方图中。这产生了每种材料 79 个分布：一阶 10 个，二阶 21 个，三阶 48 个。

4. 距离度量： 为了在这一空间内比较材料，作者使用了推土机距离（Earth Mover's Distance, EMD），即 Wasserstein-1 距离。与将各箱体视为独立的点对点度量（如欧几里得距离）不同，EMD 测量将一个分布转化为另一个分布所需的最小“功”，并根据其物理量级按比例惩罚偏移。总的材料间距离是所有 79 个特征归一化 EMD 的总和。该度量对微小扰动具有鲁棒性，并能解决 CIF 多重性问题（例如，原胞与超胞表示会产生相同的直方图）。

核心贡献

• Graphlet-MP 数据库： 一个预计算的图元直方图表示数据库，包含了来自 Materials Project (MP) 的 149,082 个无机晶体。该数据集包含 60 GB 数据，每种材料由 79 个分布描述。
• 技术规范： 一个完整的、自包含的图元直方图表示定义，包括筛选维诺邻居构建过程和具体的特征提取逻辑。
• 距离度量形式化： 一个专门为图元直方图设计的 EMD 度量完整规范，证明了其在基于核的属性预测中的适用性。
• 开源代码库： 一个公开可用的工具，允许用户从任意晶体信息文件（CIF，包括实验测定的结构）生成图元直方图，并计算 EMD 度量。

结果
本文并未展示新的属性预测结果，而是引用了先前的工作（参考文献 [5]），在该工作中，该表示方法被成功应用于超导体研究。在那种情况下，仅在约 4,350 个实验获得的超导体上训练的高斯过程模型（GP-Tc）实现了预测超导转变温度（$T_c$）的 $R^2$ 为 0.93。图元表示的可解释性使得特征空间可以压缩至四个描述符，从而识别出相邻原子间的电子亲和力差异是最具信息量的预测因子。该模型成功预测并实验证实了 PtPb$_3$Bi 的超导性（$T_c \approx 3$ K）。

意义
作者将 Graphlet-MP 定位为材料信息学领域的共同基础，特别适用于实验数据稀缺的情景。通过将表示与属性预测器解耦，该框架使研究人员能够针对多种属性（超导性、介电性、压电性）训练具有可解释性的模型，而无需依赖端到端黑盒模型的海量数据。该表示法旨在具有可扩展性，允许实验室将专有的或实验性的 CIF 集成到相同的表示空间中。作者认为，随着社区意识到数据饥渴型模型在指导实际实验计划方面的局限性，由透明、可预计算的表示法支撑的、且具备即用型数据库和可扩展代码库的框架，将在弥合计算预测与实验室发现之间的鸿沟中发挥核心作用。