[논문 리뷰] M-CODE: Materials Categorization via Ontology, Dimensionality and Evolution

Vsevolod Biryukov, Kamal Choudhary외 1명|arXiv (Cornell University)|2026. 02. 16.

Machine Learning in Materials Science인용 수 0

한 줄 요약

M-CODE는 사실적 재료 구조에 대한 간결한 온톨로지 기반 분류 시스템으로, 도메인 개념을 재사용 가능한 소프트웨어 엔터티와 연결하고, 출처 인지 빌드 변환을 수행하며, 오픈 JSON 스키마와 코드로 구현됩니다.

ABSTRACT

The rapid advancement of artificial intelligence in materials science requires data standards and data management practices that can capture the complexity of real-world structures, including surfaces, interfaces, defects, and dimensionality reduction. We present M-CODE - Materials Categorization via Ontology, Dimensionality and Evolution - a compact categorization system that links materials-science-specific terminology to a set of reusable concepts as building blocks and provenance-aware transformations. M-CODE classifies structures by dimensionality, structural complexity (from pristine to compound pristine, defective, and processed), and variants that capture common structure creation and evolution approaches. A practical implementation of the categorization is provided in an open-source codebase that includes JSON schemas, examples, and Python and TypeScript types/interfaces, designed to support reproducible dataset generation, validation, and community contributions.

연구 동기 및 목표

• 이상화된 학습 구조와 실제적이고 결함이 있으며 인터페이스가 풍부한 재료 간의 간극을 좁힌다.
• 차원성, 도메인 및 변형으로 구조를 간결하고 도메인에 기반한 분류를 정의한다.
• JSON 스키마와 소프트웨어 인터페이스에 매핑할 수 있는 엔티티와 연산의 온톨로지를 제공한다.
• 구조 구성의 출처 정보를 포착하여 재현 가능한 데이터셋 생성 및 공유를 지원한다.

제안 방법

• 재료 구조의 구성 요소와 변환을 설명하기 위한 네 가지 카테고리의 엔티티/연산 온톨로지 개발.
• 구성의 유효성 검사 및 교환을 위해 JSON 스키마를 사용; 스키마로부터 Python 및 TypeScript 바인딩을 자동 생성.
• 재료 생성 을 명시적 출처 메타데이터와 함께 구성(configuration), 빌더(builder), 결과로 표현한다.
• 구조 대상과 재현 가능한 빌드 워크플로를 연결하기 위한 진화 경로(pristine, compound pristine, defective, processed)를 정의한다.
• 검증 및 재사용을 위한 참조 구현과 오픈 스키마(mat3ra-esse)를 제공한다.

Figure 2: Representative target structure classes grouped by domain and annotated with the corresponding M-CODE tags. See Table 5 . Pristine Structures (top row): MoS 2 monolayer, SrTiO 3 slab, Si nanowire, and graphene nanoribbon. Compound Pristine Structures (second row): Si/SiO 2 /HfO 2 /TiN hete

실험 결과

연구 질문

• RQ1 현실적이고 저차원적이며 이질적인 재료 구조를 데이터셋 생성 및 워크플로 재현성을 위해 어떻게 표준화할 수 있는가?
• RQ2 간결한 온톨로지 기반 분류와 출처 인지 변환이 재료 데이터 프레임워크의 도구 및 데이터베이스 간 상호 운용성을 개선할 수 있는가?
• RQ3 도메인 용어를 재사용 가능한 소프트웨어 엔티티에 매핑하여 자동 워크플로 라우팅과 FAIR 데이터 관행을 가능하게 할 수 있는가?

주요 결과

• 간결한 분류 프레임워크가 도메인, 차원, 범주 및 변형으로 구조를 분류하고 안정적인 M-CODE 태그를 부여한다.
• 오픈형의 소프트웨어 지향 엔티티와 연산 온톨로지는 재현 가능한 빌드를 위해 JSON 스키마와 언어 바인딩으로 매핑될 수 있다.
• 출처 인지 구성 및 변환은 추가 컨텍스트를 위한 관대 메타데이터와 함께 구조를 명시적으로 재생성 가능하게 한다.
• 이 접근법은 카테고리 인지 워크플로 라우팅 및 FAIR 데이터 원칙을 지원하여 AI/ML 준비성과 재현 가능한 데이터 세트를 가능하게 한다.
• 본 연구는 검증 및 재사용을 위한 정형 스키마 산출물과 mat3ra-esse로 분산되는 참조 구현을 제공한다.