東京大學研究生院工學系研究科的中山哲教授和村岡恆輝副教授等人的研究團隊，開發出了一種能夠整合全球海量分佈式材料數據庫的劃時代標識符「Graph ID」。該技術有望在蓄電池、催化劑、半導體等新材料探索領域，實現全球範圍的數據整合與去重，大幅提升研發速度。相關研究成果已發表在《Nature Communications》上。
圖1 Graph ID示意圖（供圖：東京大學）
近年來，隨著高通量計算技術的普及，每日都在生成包含未知材料在內的海量結構數據。這些數據雖然儲存在Materials Project和AFLOW等國際數據庫中，但由於各數據庫擁有各自獨立的管理體系，因此很難立刻判斷「某一數據庫中註冊的材料與另一數據庫中的哪個材料為同一物質」。
因此，以往這類工作依賴專家手動命名，但面對數百萬條海量數據完全不具備實際操作性。此外，現有的自動命名方法存在因數值誤差或座標系統選取差異而導致同一結構被判定為不同、或混淆結構相似但本質不同的材料等問題。
研究團隊開發的Graph ID通過將化學結構視為數學圖結構，成功解決了上述問題。Graph ID對每個原子周圍的環境進行疊代分析，生成對應該結構獨有「指紋」的哈希字符串。
驗證結果顯示，Graph ID展現出高精度、高速度和高通用性的優異特性。它能夠準確識別既往基於對稱的方法難以區分的複雜晶體結構以及包含吸附分子的表面結構。此外，數據庫中新型結構匹配的計算成本極小，與既往配對比較法相比實現了大幅提速。Graph ID不僅適用於晶體，還可應用於分子、表面結構等多種化學結構。
此外，研究團隊還利用Graph ID對全球最大的三個材料數據庫（Materials Project、AFLOW、OQMD）進行了整合分析，成功識別出不同數據庫之間重複的材料。由此，構建跨多個數據庫的整合數據集已成為可能。
為使該技術成為全球科研界通用基礎工具，研究團隊已將生成Graph ID的程序碼以開源形式公開，並同步公開了為15萬組以上已知結構分配ID的配套數據庫。今後，Graph ID若能像「材料的個人編號」一樣普及，預計將加速基於AI的新材料預測以及全球研究者共享知識平台的構建。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
期刊：Nature Communications
論文：Universal graph-based identifiers of chemical structures for linking large material databases
DOI：10.1038/s41467-026-74536-5
