Nature子刊：评估机器学习晶体稳定性预测的框架

本文介绍了美国劳伦斯伯克利国家实验室Kristin A. Persson团队开发的Matbench Discovery框架，旨在标准化和提升机器学习模型在预测无机晶体热力学稳定性方面的性能评估。该框架解决了材料科学中ML模型评估的脱节问题，特别是热力学稳定性与形成能预测之间的差异，以及回顾性与前瞻性基准测试的区别。通过前瞻性测试集和关键指标如F₁分数和发现加速因子（DAF），该框架评估了通用原子间势（UIPs）在稳定性预测任务上的表现，发现其显著优于仅使用能量的模型。研究结果为ML驱动的材料发现研究设立了新的基准和方向。