用于从未松弛结构预测无机晶体稳定性的机器学习能量模型的基准测试
项目描述

Matbench Discovery
免责声明:我们评估ML模型预测固态热力学稳定性的准确性。虽然这是高通量材料发现的一个重要方面,但排名不能完全说明模型在材料上的通用适用性。高排名不构成材料项目的认可。
Matbench Discovery是一个交互式排行榜和相关的PyPI包,它们一起使得对模拟高通量发现新稳定无机晶体的任务进行设计的ML能量模型进行排名变得简单。
我们测试了包括图神经网络(GNN)原子间势、GNN单次预测器、迭代贝叶斯优化器和浅层学习结构指纹的随机森林在内的多种方法。
我们的结果表明,机器学习模型已经足够鲁棒,可以部署它们作为分诊步骤,以更有效地分配高通量DFT弛豫中的计算。这项工作为任何希望构建大规模材料数据库的人提供了有价值的见解。
如果您想在出版物中引用Matbench Discovery,请引用预印本
Janosh Riebesell,Rhys E. A. Goodall,Philipp Benner,Yuan Chiang,Bowen Deng,Alpha A. Lee,Anubhav Jain,和Kristin A. Persson。 "Matbench Discovery -- 评估机器学习晶体稳定性预测的框架。" arXiv,2023年8月28日。 https://doi.org/10.48550/arXiv.2308.14920。
我们欢迎通过GitHub PR向排行榜添加新模型。有关详细信息,请参阅贡献指南,并通过GitHub讨论提出支持问题。
有关详细结果和分析,请查看预印本。
项目详情
关闭
散列 for matbench_discovery-1.3.1-py2.py3-none-any.whl
算法 | 散列摘要 | |
---|---|---|
SHA256 | 5d744f2c6dd1760a6b2b0421d7d677206f9f9838574c4d03db43fc8260158914 |
|
MD5 | 511b2ec734c4ec8851e3b0083ed8364d |
|
BLAKE2b-256 | 647a86d45860f25da1a950d72d1dbca28068d2f2f7016af1fd91388eeb5ed120 |