东京大学研究生院工学系研究科的中山哲教授和村冈恒辉副教授等人的研究团队，开发出了一种能够整合全球海量分布式材料数据库的划时代标识符“Graph ID”。该技术有望在蓄电池、催化剂、半导体等新材料探索领域，实现全球范围的数据整合与去重，大幅提升研发速度。相关研究成果已发表在《Nature Communications》上。
图1 Graph ID示意图（供图：东京大学）
近年来，随着高通量计算技术的普及，每日都在生成包含未知材料在内的海量结构数据。这些数据虽然储存在Materials Project和AFLOW等国际数据库中，但由于各数据库拥有各自独立的管理体系，因此很难立刻判断“某一数据库中注册的材料与另一数据库中的哪个材料为同一物质”。
因此，以往这类工作依赖专家手动命名，但面对数百万条海量数据完全不具备实操性。此外，现有的自动命名方法存在因数值误差或坐标系选取差异而导致同一结构被判定为不同、或混淆结构相似但本质不同的材料等问题。
研究团队开发的Graph ID通过将化学结构视为数学图结构，成功解决了上述问题。Graph ID对每个原子周围的环境进行迭代分析，生成对应该结构独有“指纹”的哈希字符串。
验证结果显示，Graph ID展现出高精度、高速度和高通用性的优异特性。它能够准确识别既往基于对称性的方法难以区分的复杂晶体结构以及包含吸附分子的表面结构。此外，数据库中新型结构匹配的计算成本极小，与既往配对比较法相比实现了大幅提速。Graph ID不仅适用于晶体，还可应用于分子、表面结构等多种化学结构。
此外，研究团队还利用Graph ID对全球最大的三个材料数据库（Materials Project、AFLOW、OQMD）进行了整合分析，成功识别出不同数据库之间重复的材料。由此，构建跨多个数据库的整合数据集已成为可能。
为使该技术成为全球科研界通用基础工具，研究团队已将生成Graph ID的程序代码以开源形式公开，并同步公开了为15万组以上已知结构分配ID的配套数据库。今后，Graph ID若能像“材料的个人编号”一样普及，预计将加速基于AI的新材料预测以及全球研究者共享知识平台的构建。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
期刊：Nature Communications
论文：Universal graph-based identifiers of chemical structures for linking large material databases
DOI：10.1038/s41467-026-74536-5
