2024年12月10日 — Hugging Face 与 Entalpic 今日隆重宣布启动 LeMaterial，一项旨在简化和加速材料研究的开源协作项目。LeMaterial 的目标是让训练机器学习模型、识别新型材料以及探索化学空间变得更加容易。这一举措的首个成果是一个名为 LeMat-Bulk 的数据集，它统一、清理和标准化了包括 Materials Project、Alexandria 和 OQMD 在内的多个重要材料数据集，从而构建了一个包含 670 万个条目和 7 种材料属性的统一数据格式。
背景：材料科学与 AI 的交叉机遇
材料科学正处于量子化学和机器学习的交叉点，蕴藏着巨大的机遇，从更明亮的 LED、到更高效的电池、光伏电池和可回收塑料，应用前景无限。通过利用机器学习 (ML) 处理大型结构化数据集，研究人员可以以前所未有的规模进行高通量筛选和测试，从而显著加快具有所需特性的新型化合物的发现周期。在这个新范式下，数据成为驱动机器学习模型的关键燃料，可以指导实验、降低成本并加速创新突破。
现有的开放数据集如 Materials Project、Alexandria 和 OQMD 为该领域的发展提供了动力。然而，这些数据集在格式、参数和范围上存在差异，导致了数据集集成难题、数据偏差、范围限制以及缺乏明确的材料关联等挑战。LeMaterial 旨在解决这些问题，通过将三个主要数据库的数据统一和标准化，形成高质量且一致的资源。
LeMaterial 的核心优势：
LeMat-Bulk 数据集不仅是一个大型合并数据集，它还具备以下关键优势：数据统一和标准化： 统一不同数据库的数据格式，确保数据的一致性和兼容性。数据清洗： 识别和删除不符合标准的数据点，提高数据质量。材料指纹： 通过哈希函数为每种材料分配唯一标识符，方便查找、去除重复项并关联不同数据集中的材料。开放性和可视化： 基于 Crystal Toolkit、Pymatgen 和 Dash 组件等开源工具，方便用户浏览和可视化数据集，如创建相图和材料浏览器。
LeMaterial 的独特贡献：材料指纹
除了构建标准化数据集，LeMaterial 的关键贡献之一是提出了材料指纹的概念，通过哈希函数为每种材料分配一个独特的标识符。这种方法可以快速识别材料是否为新的或已存在，确保数据集不含重复项，并支持更高效的计算。LeMaterial 引入了 EconNN 算法，并结合 Weisfeiler-Lehman 算法来提取材料的图结构并计算哈希值，从而实现快速而准确的材料识别。
应用与影响：
LeMaterial 的设计具备实用性和灵活性，可以广泛应用于以下领域：
探索扩展相图： 利用更广泛的数据集构建更精细的相图，从而更深入地分析化学空间。
比较材料属性： 通过连接不同 DFT 泛函的数据，为研究人员提供不同参数下材料属性的信息。
确定材料的新颖性： 通过哈希函数快速评估材料的独特性，避免重复计算，加速发现过程。
训练预测性 ML 模型： 为训练机器学习模型（例如 EquiformerV2）提供高质量的训练数据，并减少成分空间的偏差。
