Defect phase diagrams provide a unified description of crystal defect states for materials design and are central to the scientific objectives of the Collaborative Research Centre (CRC) 1394. Their construction requires the systematic integration of heterogeneous experimental and simulation data across research groups and locations. In this setting, research data management (RDM) is a key enabler of new scientific insight by linking distributed research activities and making complex data reproducible and reusable. To address the challenge of heterogeneous data sources and formats, a comprehensive RDM infrastructure has been established that links experiment, data, and analysis in a seamless workflow. The system combines: (1) a joint electronic laboratory notebook and laboratory information management system, (2) easy-to-use large-object data storage, (3) automatic metadata extraction from heterogeneous and proprietary file formats, (4) interactive provenance graphs for data exploration and reuse, and (5) automated reporting and analysis workflows. The two key technological elements are the openBIS electronic laboratory notebook and laboratory information management system, and a newly developed companion application that extends openBIS with large-scale data handling, automated metadata capture, and federated access to distributed research data. This integrated approach reduces friction in data capture and curation, enabling traceable and reusable datasets that accelerate the construction of defect phase diagrams across institutions.


翻译:缺陷相图为材料设计提供了晶体缺陷状态的统一描述,是合作研究中心(CRC)1394科学目标的核心。其构建需要系统整合跨研究团队和地点的异构实验与模拟数据。在此背景下,科研数据管理通过关联分布式研究活动并使复杂数据可复现、可重用,成为获得新科学见解的关键推动力。为应对异构数据源与格式的挑战,已建立一套全面的科研数据管理基础设施,将实验、数据与分析无缝衔接于工作流中。该系统整合了:(1)联合电子实验记录本与实验室信息管理系统,(2)易用的大对象数据存储,(3)从异构及专有文件格式自动提取元数据,(4)用于数据探索与重用的交互式溯源图谱,以及(5)自动化报告与分析工作流。两个关键技术要素是openBIS电子实验记录本与实验室信息管理系统,以及新开发的配套应用程序——该程序通过大规模数据处理、自动化元数据采集和对分布式科研数据的联合访问,扩展了openBIS功能。这种集成方法减少了数据采集与整理的阻力,实现了可追溯、可重用的数据集,从而加速了跨机构缺陷相图的构建。

0
下载
关闭预览

相关内容

论文浅尝 | GEOM-GCN: Geometric Graph Convolutional Networks
开放知识图谱
14+阅读 · 2020年4月8日
论文浅尝 | Know-Evolve: Deep Temporal Reasoning for Dynamic KG
开放知识图谱
36+阅读 · 2018年3月30日
国家自然科学基金
46+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VIP会员
相关基金
国家自然科学基金
46+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员