第3章材料数据库与数据标准

3、材料数据库与数据标准：Materials Project、ICSD、COD等公开数据库

做材料基因组学，说白了就是跟数据打交道。我刚开始接触这个领域时，最头疼的不是算法，而是——数据从哪来？格式对不对？能不能直接用？

今天咱们就聊聊材料数据库和数据标准。这是整个材料基因组学的基石。没有数据，再好的模型也是空中楼阁。

3.1 三大公开数据库：你该用哪个？

目前材料领域有三大公开数据库，我挨个说说它们的特点。

3.1.1 Materials Project

这是目前最火的材料数据库，由MIT的Gerbrand Ceder团队主导。我个人习惯把它当作首选，为什么呢？

数据量大：超过14万种无机材料，还在持续增长
计算数据为主：大部分是DFT计算得到的，一致性很好
API友好：可以用Python直接调用，批量下载很方便
可视化工具：相图、能带结构、态密度都能在线看

我的经验：做高通量筛选时，我一般先用Materials Project的API拉数据。记得申请API密钥，免费的，但每天有调用次数限制。

3.1.2 ICSD（无机晶体结构数据库）

ICSD是实验数据的权威来源。它收录了从1913年至今发表的无机晶体结构数据。

实验数据：都是通过X射线衍射、中子衍射等实验手段测定的
质量高：经过严格审核，数据可靠性强
收费：需要机构订阅，个人用户比较难获取

注意：ICSD虽然数据质量高，但更新速度慢。我遇到过几次，想找的新材料在ICSD里没有，最后还是在Materials Project里找到了计算数据。

3.1.3 COD（晶体开放数据库）

COD是完全免费的替代方案。如果你没有ICSD的访问权限，COD是个不错的选择。

完全开源：任何人都可以免费下载和使用
数据量：约50万条记录，但质量参差不齐
有机无机都有：不像ICSD只做无机材料

嗯，这里要注意：COD的数据质量不如ICSD。我做过对比，有些结构在COD里存在原子坐标错误。所以用之前最好验证一下。

3.2 数据格式：CIF、VASP、JSON

数据格式这个问题，说白了就是「怎么把材料信息存下来」。我见过太多人因为格式问题浪费大量时间。

3.2.1 CIF格式

CIF（Crystallographic Information File）是晶体学领域的标准格式。几乎所有数据库都支持导出CIF。

# 一个简单的CIF文件示例
data_Al2O3
_symmetry_space_group_name_H-M   'R-3c'
_cell_length_a   4.758
_cell_length_b   4.758
_cell_length_c   12.991
_cell_angle_alpha   90.00
_cell_angle_beta    90.00
_cell_angle_gamma   120.00

loop_
_atom_site_label
_atom_site_fract_x
_atom_site_fract_y
_atom_site_fract_z
Al  0.00000  0.00000  0.35200
O   0.30600  0.00000  0.25000

CIF格式的优点是可读性强，但缺点也很明显——解析起来比较麻烦。我建议用现成的库，比如Python的pymatgen或ase，别自己写解析器。

3.2.2 VASP输入文件

做第一性原理计算的人对VASP格式再熟悉不过了。POSCAR、INCAR、POTCAR、KPOINTS，这四件套是标配。

# POSCAR文件示例
Al2O3
1.0
4.758 0.000 0.000
-2.379 4.121 0.000
0.000 0.000 12.991
Al O
2 3
Direct
0.000 0.000 0.352
0.000 0.000 0.648
0.306 0.000 0.250
0.694 0.000 0.750
0.000 0.306 0.250

  避坑指南：我曾经因为POSCAR里的原子顺序和POTCAR不一致，算出来的能量全是错的。检查了三天才发现问题。所以，写脚本时一定要验证原子顺序。

3.2.3 JSON格式

JSON是Materials Project等现代数据库的首选格式。它结构清晰，易于程序处理。

{
  "material_id": "mp-1234",
  "formula": "Al2O3",
  "spacegroup": {
    "symbol": "R-3c",
    "number": 167
  },
  "lattice_parameters": {
    "a": 4.758,
    "b": 4.758,
    "c": 12.991,
    "alpha": 90.0,
    "beta": 90.0,
    "gamma": 120.0
  },
  "sites": [
    {"element": "Al", "fractional_coordinates": [0.0, 0.0, 0.352]},
    {"element": "O", "fractional_coordinates": [0.306, 0.0, 0.25]}
  ]
}

我个人最喜欢JSON格式。为什么？因为它可以直接和Python的字典对应，处理起来太方便了。

3.3 FAIR数据原则

FAIR原则是2016年提出的数据管理准则。你想想看，如果数据不遵循统一标准，大家各玩各的，那材料基因组学就搞不起来。

FAIR四个字母分别代表：

原则	含义	在材料数据中的体现
Findable	可发现	材料有唯一标识符（如MP-ID），能被搜索引擎找到
Accessible	可访问	数据可以通过API或网页下载，有明确的访问协议
Interoperable	可互操作	使用标准格式（CIF、JSON），能被不同软件读取
Reusable	可重用	数据有详细的元数据描述，包括计算参数、实验条件等

  核心观点：FAIR原则不是空话。我参与过几个材料数据库项目，凡是遵循FAIR原则的，数据复用率明显更高。不遵循的，基本就是「一次性数据」，做完项目就没人用了。

3.4 知识体系总览

下面这张图总结了本章的核心内容。我建议你保存下来，以后做项目时对照着看。

3.5 实践建议

说了这么多，到底该怎么选？我给出几条实用建议：

做高通量筛选：首选Materials Project，数据量大，API方便
验证实验数据：用ICSD，质量有保障
预算有限：用COD，但记得交叉验证
数据交换：统一用CIF格式，这是行业标准
程序处理：用JSON格式，配合pymatgen库

小技巧：我习惯把从不同数据库下载的数据统一转换成JSON格式，然后存到本地数据库里。这样后续处理起来特别顺手，不用每次都要解析不同格式。

好了，关于材料数据库和数据标准就聊到这里。记住一句话：数据是材料基因组学的血液，标准是血管。没有好的数据，模型再强也白搭；没有统一标准，数据再多也是垃圾。

📚 课程目录

3、材料数据库与数据标准：Materials Project、ICSD、COD等公开数据库

3.1 三大公开数据库：你该用哪个？

3.1.1 Materials Project

3.1.2 ICSD（无机晶体结构数据库）

3.1.3 COD（晶体开放数据库）

3.2 数据格式：CIF、VASP、JSON

3.2.1 CIF格式

3.2.2 VASP输入文件

3.2.3 JSON格式

3.3 FAIR数据原则

3.4 知识体系总览

3.5 实践建议