.png){kind=icon}
返回
A framework to evaluate machine learning crystal stability predictions
.png){kind=icon}
OA
AI
DOI：10.1038/s42256-025-01055-1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习在各个科学领域的快速应用，要求发展最佳实践和社区认可的基准测试任务与指标。我们提出Matbench Discovery作为机器学习能量模型的一个示例评估框架，在此将其应用于高通量搜索稳定无机晶体的第一性原理计算数据的前置筛选。我们解决了（1）热力学稳定性与形成能之间的脱节问题，以及（2）材料发现中的回顾性基准测试与前瞻性基准测试之间的差异。与本文一同发布的是一款Python软件包，以辅助未来的模型提交，以及一个不断增长的在线排行榜，该排行榜允许用户自定义各种性能指标的权重，使研究人员能够优先关注他们最重视的指标。为回答哪种机器学习方法在材料发现中表现最佳的问题，我们的初始版本包括随机森林、图神经网络、单次预测器、迭代贝叶斯优化器和通用原子间势。我们指出，材料发现中常用的回归指标与更与任务相关的分类指标之间存在错位。如果那些准确的预测值接近凸包上方0 eV/原子的决策边界，则准确的回归器容易产生意外的虚高假阳性率。基准测试结果表明，通用原子间势已发展到足以在未来高通量材料数据库扩展中有效且低成本地预筛选热力学稳定的假想材料。Riebesell等人介绍了Matbench Discovery框架，用于比较用于识别稳定晶体的机器学习模型。在多种架构中，他们发现通用原子间势在竞赛中表现最佳。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
New developments in the Inorganic Crystal Structure Database (ICSD): accessibility in support of materials research and design无机晶体结构数据库 (ICSD) 的新发展: 支持材料研究和设计的可及性
PREAI
分享收藏E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Predicting materials properties without crystal structure: deep representation learning from stoichiometry预测没有晶体结构的材料特性: 从化学计量学中学习深度表示NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏Atomistic Line Graph Neural Network for improved materials property predictions用于改进材料性能预测的原子线图神经网络OAAI
OAAI分享收藏Accelerating materials discovery with Bayesian optimization and graph deep learning通过贝叶斯优化和图深度学习加速材料发现OAAI
OAAI分享收藏
查看更多内容