A controlled framework for chemistry-shift evaluation in descriptor-based materials screening

doi:10.1016/j.commatsci.2026.115027

A controlled framework for chemistry-shift evaluation in descriptor-based materials screening

2026-08-25

0

PRE

AI

DOI：10.1016/j.commatsci.2026.115027

原文链接

原文求助

摘要

En 中文

基于描述符的机器学习模型在化学信息学和材料信息学中被广泛用于性质预测和筛选，但在目标化学信息未包含在训练数据中时，随机分割的基准测试本身并不能确立可靠性。这一问题在仅基于成分的材料筛选中尤为相关，因为模型仅使用元素身份和化学计量比，而无需晶体结构信息。本研究引入了一个用于化学漂移评估的控制框架，该框架将训练数据量损失、目标领域偏移和特征空间新颖性分离。该框架结合了家族保留分割、尺寸匹配的随机控制、目标分布分析、区间校准压力测试、检测器互补性和选择性弃权。将其应用于使用Magpie描述符的XGBoost模型，在MatBench能带隙（N = 4604）和声子峰值频率（N = 1265）数据集上，结果显示：屏蔽一个元素家族会使MAE比匹配控制组高出高达461%。在名义覆盖率为90%时，卤素元素的共形覆盖从89%降至41%，而基于不确定性的弃权可降低保留MAE 14%~47%。因此，化学漂移评估提供了一种可重现的协议，用于确定基于描述符的筛选何时具有可迁移性、不可靠或适合基于不确定性的分类处理。

Keyword:

Materials informatics

Artificial intelligence

Descriptor-based machine learning

Uncertainty quantification

High-throughput screening

A controlled framework for chemistry-shift evaluation in descriptor-based materials screening

摘要

期刊

机构

引用论文