材料信息学（MI）源于材料科学与数据科学的融合，具有极大地加速材料开发和发现过程的潜力。尽管MI依赖于计算研究和实验研究的数据，但两者的整合仍然具有挑战性。日本Tohoku University大学T. Tomai团队开发了一种基于图神经网络（MPNN）的材料图谱构建方法，通过整合计算数据库（Materials Project）与实验数据库（StarryData2）中的热电材料数据，将高维结构特征降维至二维可视化空间，生成能够反映材料结构相似性与性能分布（如zT值）的材料图谱。该图谱不仅能有效捕捉材料的结构复杂性，识别高性能材料区域，还可通过交互式工具指导实验研究者选择可合成目标材料、推荐合成路径，从而显著加速材料发现过程，为弥合计算设计与实验研究之间的差距提供了新范式。研究成果以A materials map integrating experimental and computational data via graph-based machine learning for enhanced materials discovery为题发表于APL Machine Learning。
一、数据整合方法的创新
实验与计算数据的融合：提出了一种将实验数据（来自StarryData2）与计算数据（来自Materials Project）整合的方法。通过训练机器学习模型预测实验zT值，并将其应用于计算数据库中的材料，构建了一个统一的数据集，克服了两种数据源在格式、内容和可靠性上的差异。
二、图神经网络驱动的材料图谱构建
基于图表示的材料结构建模：使用MatDeepLearn (MDL) 框架，将晶体结构表示为图（节点为原子，边为相互作用），并通过图卷积神经网络（如MPNN、CGCNN等）提取高维结构特征。
材料图谱的可视化：利用t-SNE降维技术将高维特征映射到二维空间，生成材料图谱（materials map），直观展示材料之间的结构相似性与性质分布。
三、结构复杂性的有效捕捉
MPNN在结构表示上的优势：研究发现，MPNN架构在捕捉材料结构复杂性方面表现优异，能生成更具结构区分度的材料图谱，尽管其在预测精度上未必最优。
分支结构分析：图谱中识别出两个明显分支（BR1和BR2），分别对应高复杂度（如Ga(Ag₃Se₂)₃）和低复杂度（如Bi₂Te₃）结构，并通过元素组成、原子位数、体积等属性进行验证。
四、材料图谱的实用性与可解释性
聚类分析与元素分布：通过k-means聚类（k=10）和元素频率分析，揭示了不同区域材料的组成规律，帮助识别高性能材料区域。
交互式探索工具：提供基于Plotly的交互式图谱，支持多维度数据探索（成分、结构、性质等），增强用户体验与实用性。
合成路径建议：通过结构相似性推荐合成路径（如Ge₃(Te₄As)₂与Sn(SbTe₂)₂结构相似，可借鉴其合成方法），加速实验验证。
五、系统性的模型比较与分析
多种图神经网络的对比：系统评估了MPNN、CGCNN、MEGNet、GCN、SchNet等模型在zT预测和图谱生成上的表现，明确MPNN在结构表示上的优势。
训练机制分析：通过控制NN和GRU模块的开关，验证了各组件对图谱结构组织的重要性。
图1：本研究中采用的数据流和数据分析流程示意图
图2：由MDL使用MPNN架构生成的材料图谱，用于基于图论的材料属性建模。
图3：基于图2中使用的相同数据生成的材质图
图4：(a) 通过k-means聚类（k=10）得到的按聚类编号着色的材料图。(b-k) 每个聚类中包含的材料的元素组成分析结果。
论文地址：https://pubs.aip.org/aip/aml/article/3/3/036104/3355901/A-materials-map-integrating-experimental-and
