英文原题: Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery 通讯作者: Heather J. Kulik,麻省理工学院 作者: Chenru Duan (段辰儒),Fang Liu (刘芳), Aditya Nandy, Heather J. Kulik 设计空间几何增长是材料设计中的一大挑战。机器学习(ML)加速探索材料设计已经开始在的这一挑战中发挥作用,并显著提高了发现材料的效率。然而,这个流程暗含了密度泛函理论(DFT)产生的训练集的统计上的偏见。并且,在使用高通量计算产生训练集的时候,大量的计算会失败。这种情况对于一些有趣的,例如含有自由基,或者金属配位键的开壳层过渡金属功能材料和催化过程尤为显著。虽然这些材料非常吸引人,他们的复杂的电子结构和设计空间的几何增长使得该类材
………………………………