LeMaterial v1.0: LeMat-Bulk データセットリリース

LeMaterial は、Materials Project、Alexandria、OQMD からのデータを統合・標準化することで、主要な材料データセットの分散化に対処し、一貫した体系的な特性を持つ高品質なリソースを提供します。

なぜ LeMaterial なのか？

材料科学は量子化学と機械学習の交差点にあり、明るい LED、電気化学バッテリー、より効率的な光起電力セル、リサイクル可能なプラスチックなど、無限の応用が広がっています。大規模で構造化されたデータセットに機械学習を活用することで、研究者は前例のない規模で新材料のハイスループットスクリーニングとテストを実施でき、望ましい特性を持つ新規化合物の発見サイクルを大幅に加速させます。このパラダイムでは、データが実験を導き、コストを削減し、かつてない速さでブレークスルーを実現する ML モデルを駆動する不可欠な燃料となります。

この分野は Materials Project、Alexandria、OQMD といった非常に完全なデータセットに支えられており、すべてオープンソースで CC-BY-4.0 ライセンスの下で提供されています。しかし、これらのデータセットはフォーマット、パラメータ、スコープが異なり、以下のような課題を抱えています。

  • データセット統合の問題（例：フォーマットやフィールド定義の不一致、計算の非互換性）
  • データセット構成のバイアス（例：Materials Project が酸化物やバッテリー材料に偏っている）
  • 範囲の制限（例：NOMAD が材料特性ではなく量子化学計算に焦点を当てている）
  • 異なるデータベース間で類似材料間の明確な接続や識別子が欠如している

このように分散した環境は、AI4Science や材料情報学の研究者が既存データを効果的に活用することを困難にします。基礎的な ML モデルの訓練、正確な相図の構築、新規材料の特定、化学空間の効果的な探索など、目的が何であれ単純な解決策はありません。Optimade のような取り組みが構造データを標準化しても、材料特性の不一致やデータセットスコープのバイアスには対処できません。

LeMaterial は、Materials Project、Alexandria、OQMD の 3 つの主要データベースからデータを統合・標準化し、一貫した体系的特性を持つ高品質リソースを提供することで、これらの課題に取り組みます。

クリーンで統一された標準化データセットの実現

LeMat-Bulk v1.0 は、Optimade 形式、ハッシュベースの材料指紋、可視化ツールを用いて、6.7M エントリと 7 つの材料特性を備えたクリーンで統合された標準化データセットを提供します。

LeMat-Bulk は、CC-BY-4.0 の寛容なライセンスを持つ大規模統合データセット以上の価値があります。6.7M のエントリが一貫した特性を持つことで、材料科学のためのキュレートされた標準化オープンエコシステムを構築する基礎的なステップとなり、研究ワークフローの簡素化とデータ品質の向上を実現します。

リリース 説明と価値 日付
v.1.0 * データ収集と統合：Materials Project、Alexandria、OQMD からのデータセットを統合し、複数のフィールドと DFT 関数（PBE、PBESol、SCAN）を含む。* データクレンジング：標準に合致しないデータポイント（例：非互換計算）を特定・除去。* 標準化：Optimade 標準を用いてデータベース横断でフィールドを統一。* 材料指紋：ベンチマーク済みハッシュ関数で各材料に一意の識別子を付与し、重複除去を可能に。* 可視化とアクセシビリティ：Crystal Toolkit、Pymatgen、Materials Project が開発した Dash コンポーネントを用いたオープンソースツールで新データセットを可視化。 2024年12月10日
v.1.1 * 新規データ：Materials Project の多数の材料に対し電荷データを計算（追加 53k データポイント、バンドギャップ情報、統一エネルギー補正スキーム）。* 評価：コードハッシュ関数のベンチマーク。* 新機能：材料類似度指標と類似構造検索ツール。* 新モデル：EquiformerV2 と FAENet をデータ上で訓練。* データ検証：フィールド、フォーマット等の互換性チェック。 2025年第1四半期
Future releases * 新規データ：Materials Project の r2SCAN データをリリース。* 新しい表面データセット：OC20・OC22 データセットと、バルク以外（表面・スラブ＋吸着・分子構造）への対応。* さらなる調和：MPTrj、OMat24 のトラジェクトリを同様の形式で含め、DB にリレーショナルデータを追加。 2025年第2四半期

私たちは、研究者のニーズに合わせたワークフローを可能にするさまざまなデータセットとサブセットを提供します（計算の一貫性、材料の重複除去、包括的探索など）。

  • 互換性: これらのサブセットは、混合可能な計算のみを提供します。現在、3つの関数（PBE、PBESol、SCAN）で利用可能です。
  • 非互換性: このサブセットは、互換性サブセットに含まれないすべての材料を提供します。
  • LeMat-BulkUnique: このデータセット分割は、構造指紋アルゴリズムを使用して重複除去された材料を提供します。PBE、PBESol、SCAN の3つのサブセットで利用可能です。

高ベンチマークされた材料指紋の統合

LeMaterial は、ハッシュベースの材料指紋を導入し、迅速な新規性検出、重複除去、データセット間リンクを可能にします。

この標準化データセットの構築に加えて、LeMaterial の重要な貢献の一つは、ハッシュ関数を用いて各材料に一意の識別子を割り当てる「材料指紋」の定義を提案することです。

従来の新規材料判定手法は主に類似度指標に依存し、既存データベース全体を組み合わせ的に検索する必要がありました。データセット内での高速新規性検出を実現するため、Entalpic は材料指紋を計算するハッシュ手法を導入しました。

上図は指紋化の概要です。結晶構造に対し結合アルゴリズム（例：EconNN）でグラフを抽出し、Weisfeiler‑Lehman アルゴリズムでハッシュを算出します。このハッシュに組成と空間群情報を組み合わせて材料指紋を生成します。

私たちの指紋アプローチは以下の利点を提供します：

  • 材料が新規か既にカタログにあるかを迅速に識別する。
  • データセットが重複や不整合から解放されていることを保証する。
  • データセット間で材料を接続できるようにする。
  • ヒル上エネルギーなど熱力学的性質の計算をより効率的にサポートする。

以下は、我々のハッシュ関数と Pymatgen の StructureMatcher を比較した結果です。実験は構造が大きく異なる 2 つのデータセットで実施しました。

Dataset Number of structures Task time for the hash function (parallelized on 12 CPUs) Task time for StructureMatcher (parallelized on 64 CPUs)
Carbon-24 10,153 100 seconds 17 hours
MPTS-52 40,476 330 seconds 4.9 hours

さらに、ハッシュ関数の妥当性を評価するために、厳選されたベンチマークセットを公開する計画です。例えば以下を調査しました：

  • 異なる材料が既存データベースの材料識別タグに基づいて異なるハッシュになるか
  • 材料に小さなノイズを加えたり対称操作を適用した場合に同じハッシュになるか
  • 同じハッシュを共有する材料がデータベース内外で実際に同一材料であるか（手動および DFT チェック）
  • 既存データベース上での Pymatgen の StructureMatcher と比較した際のハッシュの速度と精度

🤗 Call to the community: 我々の目的は、この指紋手法を材料データベースの重複除去と新規材料発見の唯一の解決策として位置付けることではなく、この課題について議論を促進することです。現在のハッシュ手法の制限の一つは、無秩序構造をカバーしていない点です。コミュニティにコンセンサス形成を促しつつ、同時に比較的シンプルで効率的な指紋手法を提案していきたいと考えています。

LeMaterial の実践: 応用とインパクト

LeMaterial は、拡張相図探索、データベース横断の特性比較、迅速な新規性検出、ML 原子間ポテンシャルの訓練を可能にします。

長期的には、LeMaterial は大規模かつキュレートされたデータセット、機械学習モデル、便利なツールキットなどを集約するコミュニティ主導のイニシアティブになることを目指しています。実用的かつ柔軟に設計され、以下のような幅広い応用が可能です。

  • 拡張相図の探索（Link to our phase diagram explorer）。Materials Project のオープンソースツール群を活用して構築された広範データセットにより、化学空間をより詳細に解析できます。データセットが大きくなるほど、特定組成空間における材料安定性をより細かく分解して提示できます。

  • データベース・関数横断での材料特性比較：DFT 関数ごとのデータを提供し、材料指紋アルゴリズムで材料をリンクすることで、異なるパラメータで計算された特性を相互に結び付けられます。これにより、関数が組成空間でどのように振る舞い、差異が生じるかを研究者が把握できます。

  • 材料が新規かどうかの判定。ハッシュ関数により、材料がユニークか重複かを迅速に評価でき、発見プロセスを効率化し冗長計算を回避できます。

    • 例 1: 我々の指紋手法は、以下の Alexandria エントリ（agm002153972、agm002153975）が同一材料である可能性があると特定しました（同一ハッシュ）。エネルギーが高い方を緩和すると、低エネルギー構造へと収束しました。

    • 例 2: 生成モデルの訓練で頻繁に使用される別データセット（AIRSS）に対してハッシュを適用したところ、同一ハッシュを持つ材料が見つかりました。 ここで重要なのは、Pymatgen の StructureMatcher がこれら 2 つのユニットセルを別材料と判定した点です。実際には全く同一構造であり、我々のハッシュアルゴリズムは正しく同一と識別できました。

  • 予測的 ML モデルの訓練。LeMat-Bulk 上で EquiformerV2 などの機械学習原子間ポテンシャルを訓練可能です。スケールとデータ品質、組成空間全体のバイアス除去の恩恵を受け、データセットの利点を評価することが興味深いでしょう。LeMaterial を Fairchem と組み合わせる例は Colab にあります。現在、このデータセットを用いた EquiformerV2 の訓練を進めており、続報をお待ちください 💫

まとめ

LeMaterial は、主要データソースを統合・標準化し、追加のクレンジングと検証を行うことで、研究を加速し、ML モデルの品質を向上させ、材料発見をより効率的かつアクセスしやすくします。

コミュニティとして、我々はこれら大規模オープンソースデータベースの 品質 に大きな価値を置いていますが、標準化の欠如が複数データセットの活用を大きな課題にしています。LeMaterial は、主要データソースを統合・標準化し、追加のクレンジングと検証を行うことでこの課題を解決します。この新しいオープンサイエンスプロジェクトは、研究を加速し、ML モデルの品質を向上させ、材料発見をより効率的かつアクセスしやすくすることを目的としています。

We are just getting started — まだ改善すべき点や欠点があることは認識しており、皆様のフィードバックをぜひお聞かせください！オープンソースイニシアティブへの貢献に興味がある方はぜひご連絡を。コミュニティと共に、LeMaterial を新しいデータセット、ツール、アプリケーションで拡張していくことを楽しみにしています！ ⚛️🤗

引用

LeMaterial のコンテンツをダウンロードすることで、Creative Commons Attribution 4.0 ライセンスに同意したことになり、LeMaterial からの特別な許可を得ることなく、適切な帰属表示を行う限り、コンテンツのコピー、配布、送信、改変が可能です。

研究で LeMaterial をリソースとして使用する場合は、データカードの引用セクション（論文は後日公開）を引用してください。

CC-BY-4.0（Materials Project、Alexandria、OQMD が使用しているライセンス）は適切な謝辞を要求します。したがって、immutable_id に “mp-” を含む材料データを使用する場合は Materials Project を引用してください。immutable_id に “agm-” を含む場合は Alexandria（PBE、Alexandria PBESol、SCAN）を引用してください。immutable_id に “oqmd-” を含む場合は OQMD を引用してください。最後に、可視化目的で相図や Materials Explorer の結晶ビューアを使用する場合は Crystal Toolkit に謝辞をお願いします。

LeMaterial について詳しく知り、参加するには：

  • コミュニティ参加用フォーム
  • Hugging Face Space
  • Github

Sources