从预测到行动：适当性能估计在基于机器学习的材料发现中的关键作用
原文中文，约600字，阅读约需2分钟。发表于：。通过统计性属性模型驱动的材料发现是一个迭代决策过程，在此过程中，初始数据集会根据模型所提出的新数据进行扩展，目标是随时间最大化某种 “奖励”，例如迄今为止发现的最大属性值。我们证明了此问题，并提出了一种新颖的性能估计方法，即与基于预计算数据集的 “期望改善” 收购函数预测高斯过程，在双钙钛矿氧化物的示例研究中表现最佳。
Matbench Discovery使用机器学习模型模拟稳定无机晶体，研究发现CHGNet、M3GNet和MACE是最佳的材料发现方法，其晶体稳定性分类的F1得分约为0.6。研究还强调了全局回归指标和分类指标之间的差异。
