Цифрова ДІ з матеріалознавства має включати кілька взаємопов’язаних компонентів.
Перший компонент — обчислювальні workflow. Йдеться про підготовлені середовища для типових задач матеріалознавства: DFT, молекулярна динаміка, MLIP, моделювання структур, розрахунок властивостей матеріалів, аналіз результатів. На першому етапі доцільно зосередитися на інструментах Quantum ESPRESSO, AiiDA, ASE, LAMMPS, Python, PyTorch, NequIP і Jupyter.
Другий компонент — цифрове робоче середовище користувача. Це може бути JupyterHub, контейнеризовані середовища, доступ до підготовлених notebooks, приклади запуску розрахунків, шаблони workflow і базові інструкції. Для користувача важливо не лише мати сервер, а мати зрозумілий маршрут: що відкрити, який приклад взяти, як запустити, де зберегти результат, як його описати.
Третій компонент — FAIR data layer. Це шар, який відповідає за дані: DataverseUA або інший сумісний репозиторій, DOI, DataCite metadata, README, ліцензії, мінімальні профілі метаданих, правила збереження і цитування. Саме цей компонент перетворює результати розрахунків на дані, придатні для повторного використання.
Четвертий компонент — сервіс відтворюваності. Для матеріалознавства це критично. Необхідно зберігати не тільки кінцевий результат, а й вхідні файли, параметри, версії програм, середовище виконання, scripts/notebooks, опис workflow і зв’язок між розрахунком, dataset та публікацією.
П’ятий компонент — навчання і підтримка користувачів. Багатьом дослідникам потрібна не лише технічна інфраструктура, а практична допомога: як оформити DMP, як підготувати README, як описати DFT-розрахунок, як опублікувати дані, як працювати з Jupyter, як підготувати dataset для статті або грантової заявки.
Шостий компонент — публічний каталог сервісів і компетенцій. Він має показувати, які сервіси доступні, хто їх підтримує, які є demonstrators, які групи беруть участь, які datasets уже опубліковані, які навчальні матеріали доступні.
