[论文解读] Shared Metadata for Data-Centric Materials Science

Luca M. Ghiringhelli, Carsten Baldauf+33 more|arXiv (Cornell University)|May 29, 2022

Research Data Management Practices被引用 5

一句话总结

本文提出了一种由社区驱动的、符合 FAIR 原则的元数据模式，用于以数据为中心的材料科学，重点关注计算工作流程、基态与激发态计算，以及势能采样。该研究提出了 NOMAD 元数据模式，作为一种模块化、分层的框架，实现了在不同模拟代码和实验领域之间材料科学数据的互操作性、可重现性以及长期重用。

ABSTRACT

The expansive production of data in materials science, their widespread sharing and repurposing requires educated support and stewardship. In order to ensure that this need helps rather than hinders scientific work, the implementation of the FAIR-data principles (Findable, Accessible, Interoperable, and Reusable) must not be too narrow. Besides, the wider materials-science community ought to agree on the strategies to tackle the challenges that are specific to its data, both from computations and experiments. In this paper, we present the result of the discussions held at the workshop on "Shared Metadata and Data Formats for Big-Data Driven Materials Science". We start from an operative definition of metadata, and what features a FAIR-compliant metadata schema should have. We will mainly focus on computational materials-science data and propose a constructive approach for the FAIRification of the (meta)data related to ground-state and excited-states calculations, potential-energy sampling, and generalized workflows. Finally, challenges with the FAIRification of experimental (meta)data and materials-science ontologies are presented together with an outlook of how to meet them.

研究动机与目标

• 应对来自计算与实验来源的海量异构材料科学数据在管理与重用方面日益增长的挑战。
• 建立一个共享的、由社区共同认可的元数据模式，以支持材料数据的 FAIR 原则（可查找、可访问、可互操作、可重用）。
• 实现实现不同模拟代码、实验技术与科学工作流程之间数据的无缝集成与再利用。
• 克服因数据格式与元数据实践的碎片化而阻碍材料科学中数据重用与可重现性的障碍。
• 通过标准化本体与可扩展的元数据模式，为未来实现互操作性奠定基础。

提出的方法

• 将元数据定义为数据对象的结构化描述符，特别区分计算材料科学中的输入（元数据）与输出（数据）。
• 提出一种分层且模块化的元数据模式设计，以表示从单一体系计算到完整工作流程的复杂数据。
• 将 NOMAD 元数据模式作为具体实现，构建一个符合 FAIR 原则的框架，将来自多种原子尺度模拟代码的数据映射为统一结构。
• 利用现有解析器，将不同模拟软件包（如 DFT、GW、分子动力学）的输出转换为 NOMAD 模式，实现一致的数据存储与检索。
• 提出一种形式化的元数据版本控制与可扩展性方法，以支持元数据基础设施的长期维护与演进。
• 倡导开发领域特定的本体，以实现计算预测与实验测量之间的语义互操作性。

实验结果

研究问题

• RQ1 如何设计一个共享的、符合 FAIR 原则的元数据模式，以支持从单点计算到复杂工作流程的完整材料科学数据谱系？
• RQ2 实现不同计算代码与实验技术之间互操作性，需要哪些技术和组织策略？
• RQ3 如何使元数据模式具备模块化与可扩展性，以适应不断演进的模拟方法与数据类型（如激发态与动力学模拟）？
• RQ4 本体在实现材料科学中计算与实验数据之间语义互操作性方面发挥什么作用？
• RQ5 在实现实验元数据的 FAIR 化过程中存在哪些实际挑战，以及如何通过社区标准与共享基础设施加以解决？

主要发现

• NOMAD 元数据模式已成功实施，用于存储和实现材料科学数据的 FAIR 化，涵盖越来越多的原子尺度模拟代码，实现了数据的一致访问与重用。
• 该模式的分层与模块化设计具备良好的可扩展性，不仅支持基态电子结构计算，还支持微扰与激发态方法、势能采样以及复杂工作流程。
• 该模式以支持全生命周期可重现性与溯源追踪的方式，实现了对不同模拟软件包中输入（元数据）与输出（数据）的映射。
• 在完全覆盖激发态与动力学模拟方面仍存在挑战，但该框架通过逐步扩展模式设计，已具备容纳这些内容的能力。
• 本体的集成被确认为实现计算与实验量值自动比较的关键，可减少对专家判断的依赖。
• 在 NOMAD 与 NFDI FAIRmat 等基础设施支持下，社区范围采纳共享元数据标准，对于实现长期数据管理与科学重用至关重要。