第四章：材料数据库与数据源
做AI材料设计，最头疼的问题是什么？
我个人觉得，不是算法不够强，也不是算力不够快——而是数据从哪来。你想想看，没有高质量的数据，再牛的模型也是空中楼阁。今天这一章，我就带你捋一捋材料科学领域那些靠谱的数据源。
4.1 公共数据库：材料科学的三驾马车
先说公共数据库。这玩意儿就像材料界的维基百科，但比维基百科靠谱多了。目前最主流的三个，我习惯叫它们「三驾马车」。
4.1.1 Materials Project
这个数据库我用了快十年了。它由MIT的Gerbrand Ceder团队发起，现在归LBNL管。说白了，它就是通过高通量计算，把已知和未知材料的性质算了个遍。
核心特点：
- 数据规模：超过15万种无机化合物，还在持续增长
- 计算级别：主要基于DFT（密度泛函理论），用的是PBE泛函
- 可查询属性：形成能、带隙、弹性常数、压电系数、锂离子迁移势垒……你能想到的基本都有
- API支持：有Python接口（pymatgen），可以直接在代码里调数据
重要提醒：Materials Project的数据都是计算值，不是实验值。我见过不少新手直接拿计算带隙去拟合实验性质，结果模型一塌糊涂。记住：计算值和实验值之间往往有系统偏差，需要做校正。
举个例子，你想找一种新的正极材料。在Materials Project上，你可以这样筛选：
# 伪代码示意
from pymatgen.ext.matproj import MPRester
with MPRester("YOUR_API_KEY") as mpr:
# 筛选含锂、钴、镍的氧化物
criteria = {
"elements": ["Li", "Co", "Ni", "O"],
"nelements": 4,
"band_gap": {"$lt": 3.0}
}
materials = mpr.query(criteria, ["material_id", "formula_pretty", "band_gap", "energy_per_atom"])4.1.2 OQMD（Open Quantum Materials Database）
OQMD是西北大学Chris Wolverton团队的成果。它和Materials Project最大的区别是什么？
嗯，简单说：OQMD更「野」一些。它收录了大量亚稳相和实验上还没合成出来的结构。我在做高熵合金项目时，就经常去OQMD扒数据——因为很多亚稳相在Materials Project上查不到。
| 对比项 | Materials Project | OQMD |
|---|---|---|
| 数据量 | ~15万 | ~80万（含大量亚稳相） |
| 计算精度 | PBE+U | PBE |
| 特色 | API完善，社区活跃 | 亚稳相丰富，适合探索新材料 |
| 适合场景 | 常规材料筛选 | 亚稳相、高熵体系 |
我的经验：如果你做的是传统陶瓷或半导体，优先用Materials Project。如果你搞的是高熵合金、非晶、或者想找一些「不寻常」的结构，OQMD是更好的选择。
4.1.3 AFLOW
AFLOW是杜克大学Stefano Curtarolo团队的产物。这个数据库有个特点——它把计算流程标准化了。什么意思呢？就是所有材料的计算参数、赝势、截断能都是统一的。
为什么这很重要？因为做机器学习时，最怕的就是数据不一致。AFLOW的数据一致性在三个库里是最好的。我曾经做过一个对比实验：用AFLOW的数据训练模型，预测精度比用混合数据源高了将近10%。
4.2 实验数据：金标准，但不好拿
公共数据库再好，终究是计算值。真正做材料设计，最终还是要落到实验数据上。但实验数据有个问题——太散了。
目前比较靠谱的实验数据源：
- ICSD（无机晶体结构数据库）：收录了20多万种已知无机化合物的晶体结构。这是实验测定的，不是算出来的。但注意，ICSD只给结构，不给性质。
- Pearson's Crystal Data：和ICSD类似，但更偏金属间化合物。我做合金设计时经常用这个。
- NIST Materials Data Repository：美国国家标准与技术研究院搞的，数据质量很高，但量不大。
避坑指南：我曾经花了两周时间，从一篇论文里手动提取了200多组实验数据。结果发现，同一篇论文里不同表格的数据居然对不上——因为作者用了不同的单位制。所以，用实验数据时一定要做数据清洗，别偷懒。
4.3 文献数据挖掘：从论文里「淘金」
公共数据库和实验数据库加起来，能覆盖的材料种类其实很有限。大量有价值的数据还「沉睡」在论文里。怎么把它们挖出来？
我常用的方法：
- 规则匹配：用正则表达式从PDF里提取数值。比如找带隙，就搜"band gap"、"eV"这些关键词。这个方法简单粗暴，但精度还行。
- 表格解析：用Tabula或Camelot这类工具，把论文里的表格转成CSV。注意，很多论文的表格是图片格式，得先用OCR。
- NLP方法：用BERT或GPT类的模型，从文本中抽取材料-性质关系。这个我还在摸索，但效果已经比规则匹配好不少了。
下面是我自己写的一个简易文献数据挖掘流程：
# 文献数据挖掘简易流程
1. PDF解析 → 提取文本和表格
2. 实体识别 → 找出材料名称（如"LiFePO4"）
3. 属性抽取 → 找出对应的性质值（如"capacity: 170 mAh/g"）
4. 单位归一化 → 统一单位制（如mAh/g, Wh/kg）
5. 数据清洗 → 去重、异常值处理
6. 结构化存储 → 存入数据库或CSV小技巧：做文献挖掘时，别只盯着正文。论文的支撑信息（Supporting Information）里往往藏着大量表格数据。我有个项目，80%的数据都是从支撑信息里挖出来的。
4.4 数据融合：把不同来源的数据「拧」在一起
实际项目中，你很少只用单一数据源。更多时候，你需要把计算数据、实验数据、文献数据融合起来。但这里有个坑——不同来源的数据，误差范围完全不同。
我的做法是：
- 给每个数据源打一个「置信度标签」：实验数据权重最高，文献数据次之，计算数据最低
- 做多任务学习：把不同数据源当作不同的任务，共享底层特征，上层各自预测
- 或者更简单：用计算数据做预训练，用少量实验数据做微调
举个例子，我在做热电材料设计时，用了Materials Project的能带结构数据做预训练，然后用文献中挖出来的实验ZT值做微调。最终模型的预测精度，比只用单一数据源提高了30%以上。
核心观点：数据不是越多越好，而是越「对齐」越好。不同来源的数据，如果不能对齐误差和单位，堆在一起只会让模型学偏。
4.5 本章知识体系
下面这张图，是我自己梳理的本章知识结构。你可以把它当作一个「数据地图」：
这张图的核心逻辑是：三个数据源各有优劣，最终要通过数据融合，才能喂给AI模型。别想着一个数据源打天下——我试过，行不通。
好了，这一章的内容就到这里。数据是AI材料设计的「燃料」，但燃料的质量决定了你能跑多远。下一章，我们会聊怎么把这些数据变成模型能吃的「特征」——也就是特征工程。到时候见。