Scandium-Dataset

Scandium-Dataset是一个用于电池材料发现早期筛选阶段的、经过质量评分的开源计算材料数据集。它整合了来自Materials Project、OQMD和JARVIS-DFT三个第一性原理计算数据库的267,230种无机晶体材料的计算结果，并包含了498个来自OBELiX数据库的具有实验测量锂离子电导率的材料数据。数据集的核心目的是提供热力学和结构筛选的基础数据，包括形成能、带隙、空间群、体积、密度、晶体结构（pymatgen序列化）等属性，以及基于成分的固态电解质家族分类和锂/钠离子迁移势垒的代理计算（覆盖率约23%）。数据根据严格的质量门控系统分为Strict Gold、Gold、Validated、Raw和Experimental Gold等多个等级。数据集以Parquet格式存储，包含47个字段，总大小约184 MB。它适用于相稳定性筛选、结构家族分类、带隙预测、材料信息学基准测试以及无机晶体结构通用性质预测器的预训练。需要注意的是，数据集不包含离子电导率、迁移激活能（NEB）、电化学稳定性窗口等下游性质，因此不适用于直接的固态电解质性能排序或电化学稳定性评估。此外，数据集许可不统一，包含CC BY 4.0、CC0和OQMD非商业许可的条目，使用时需注意合规性。数据在材料家族分布上存在不平衡，主要偏向金属间化合物和层状氧化物。Scandium-Dataset is an open-source computational materials dataset with quality scoring, designed for early screening stages in battery material discovery. It integrates computational results from 267,230 inorganic crystal materials sourced from three first-principles databases: Materials Project, OQMD, and JARVIS-DFT, and includes data for 498 materials with experimentally measured lithium-ion conductivity from the OBELiX database. The core purpose of the dataset is to provide foundational data for thermodynamic and structural screening, including properties such as formation energy, band gap, space group, volume, density, crystal structure (pymatgen serialization), as well as composition-based solid-state electrolyte family classification and proxy calculations for lithium/sodium ion migration barriers (coverage approximately 23%). Data is categorized into multiple quality levels, such as Strict Gold, Gold, Validated, Raw, and Experimental Gold, based on a rigorous quality gating system. The dataset is stored in Parquet format, containing 47 fields, with a total size of about 184 MB. It is suitable for phase stability screening, structural family classification, band gap prediction, materials informatics benchmarking, and pre-training of general property predictors for inorganic crystal structures. It is important to note that the dataset does not include downstream properties such as ionic conductivity, migration activation energy (NEB), or electrochemical stability window, thus it is not suitable for direct solid-state electrolyte performance ranking or electrochemical stability assessment. Additionally, the datasets licenses are not uniform, including entries under CC BY 4.0, CC0, and OQMD non-commercial licenses, requiring attention to compliance during use. The data exhibits imbalance in material family distribution, primarily biased towards intermetallic compounds and layered oxides.

搜集汇总

数据集介绍

构建方式

Scandium-Dataset 整合了来自 Materials Project、OQMD 和 JARVIS-DFT 三大权威数据库的密度泛函理论计算数据，共计 267,230 条无机材料条目。数据以统一的 Parquet 格式存储，包含 47 个经过类型优化的字段，涵盖形成能、凸包能、带隙、空间群、晶体结构等核心属性。数据集构建过程中，通过严格的去重与质量评分体系（0–88 分），将条目划分为 Gold、Validated、Raw 及 Experimental 四个层级，并引入源自 OBELiX 的 498 条实验数据作为独立验证集，确保数据的高可靠性与可追溯性。

使用方法

用户可通过 Pandas 或 PyArrow 库直接读取 Parquet 文件，支持基于批次、数据源或字段筛选的低内存流式加载。建议优先使用 Gold 或 Strict Gold 子集进行模型训练，并利用预定义的四种数据集划分进行基准测试。对于固态电解质筛选任务，可结合 ssb_screening 模块中的 SSE 候选评分与 BVSE 迁移势垒进行多指标联合过滤。需注意，数据集基于 CC BY 4.0、CC0 1.0 与 OQMD 非商业许可协议分发，商业用途可提取 MP 与 JARVIS 条目的商业安全子集。详细列名、单位及空值语义请参阅 SCHEMA.md 文档。

背景与挑战

背景概述

Scandium-Dataset诞生于2026年，由Scandium Labs主导构建，聚焦于电池材料发现早期筛选阶段的DFT计算数据整合。该数据集融合了Materials Project、OQMD与JARVIS-DFT三大权威数据库的267,230种无机材料的结构与热力学性质，涵盖形成能、带隙、空间群等核心属性，并引入质量分级体系（Gold/Validated/Raw）及实验数据交叉验证。其核心研究问题在于为固态电解质候选材料的相稳定性、电子结构与结构家族分析提供统一的高质量基础，从而填补了电池材料筛选领域数据碎片化与标准化缺失的空白。该数据集通过独创的SSE候选评分门控系统（五重热力学-电子-迁移率-窗口-机械筛选）与旁路迁移势垒代理计算，显著推动了高通量计算材料科学与数据驱动发现的交叉发展。

当前挑战

Scandium-Dataset所解决的领域挑战在于固态电解质发现中上游筛选与下游输运性能预测之间的鸿沟——现有数据集中于提供热力学稳定性而非离子传输特性，而传统实验筛选周期长、成本高。构建过程中面临多重技术挑战：其一，跨来源数据（MP、OQMD、JARVIS-DFT）的格式、单位与许可协议高度异构，需统一为标准化Parquet模式并追踪溯源；其二，键价参数覆盖不足导致75%的锂/钠体系无法计算迁移势垒，仅23%条目获得代理数据；其三，结构家族分布严重不均衡，石榴石型与硫化物型电解质候选材料在Gold级别中仅有数十至千余条目，限制机器学习模型的泛化能力；其四，实验数据整合受限于样本量（仅498条OBELiX）与许可协议的复杂性，商业安全子集仅含9.5万条目。

常用场景

经典使用场景

Scandium-Dataset作为一款整合了Materials Project、OQMD和JARVIS-DFT三大权威数据库的DFT计算材料性质数据集，其经典使用场景聚焦于电池材料发现流程中的早期筛选阶段。研究者可借助该数据集对无机晶体材料的相稳定性、电子结构及结构家族进行系统性过滤，从而在耗费高昂计算资源的离子电导率、力学稳定性或电化学窗口等下游性质预测之前，高效缩小候选材料的搜索空间。具体而言，该数据集提供的形成能、能量凸包差、带隙等关键热力学与电子性质指标，使得快速剔除热力学不稳定或电子结构不合适的材料成为可能，为后续的分子动力学模拟或密度泛函理论计算铺平道路。

解决学术问题

该数据集巧妙地回应了材料信息学领域中一个长期存在的痛点：多源DFT计算数据因计算参数和格式差异而难以直接比较与融合。通过引入统一的质量评分体系与严格的层级筛选标准，Scandium-Dataset成功构建了一个跨数据库的、具备可比较性的高质量材料性质基准库，有效解决了因数据异构性导致的模型泛化能力不足问题。在此基础上，它有力支撑了相稳定性预测模型、带隙回归任务以及无机晶体结构表征学习等经典学术问题的研究，其影响力不仅体现在提升了材料筛选流程的可重复性与效率，更在于为材料科学领域的大规模预训练模型提供了规范化的训练数据基准，推动了数据驱动材料发现范式的标准化进程。

实际应用

在实际应用层面，Scandium-Dataset为固态电解质材料的理性设计提供了关键的早期决策支撑。工业界和学术界的研究人员可以依托该数据集中电池相关子集与电解质候选子集，结合其内置的固态电解质家族分类与稳定性评分门控系统，快速筛选出具有低能量凸包差、合适带隙和良好结构特征的无机候选材料。这些经初步筛选的材料随后可被导向高通量实验合成或更为精确的理论计算验证环节，从而显著缩短新材料从理论预测到实验验证的周期。此外，数据集的实验验证子集还融入了实测锂离子电导率数据，为理论预测与实际性能之间的关联研究搭建了桥梁，加速了新能源存储材料的商业化进程。

数据集最近研究

最新研究方向

Scandium-Dataset作为凝聚态物质与电池材料领域的高通量筛选基石，其最新研究动向聚焦于整合Materials Project、OQMD及JARVIS-DFT三大权威数据库的267,230条DFT计算条目，提供热力学稳定性、电子结构与物相家族分类的统筹评估。该数据集发力于固态电解质候选材料的早期筛选阶段，结合BVSE迁移势垒代理计算与OOD泛化基准测试，以应对锂离子导体发现中“组成-结构-性质”多维空间的稀疏性挑战。其强调的license差异化处理与抗化学家族失衡设计，为无机晶体材料性质预测预训练模型和跨源数据融合立下技术典范，有力推动了迈向量产固态电解质跨越式筛选的工程化进程。