计算材料科学中的可重复性：来自《预测无机材料性质的通用机器学习框架》的教训
材料科学
2026-05-27 v1
摘要
机器学习技术在材料发现中的整合已在材料科学研究中变得突出，并伴随着开源数据与工具日益增多的趋势以推动该领域发展。尽管这些工具的实用性与能力不断增强，开发者忽视遵循可重复实践，给希望使用或在其工作上构建的研究人员造成了重大障碍。在本研究中，我们调查了在尝试复现《预测无机材料性质的通用机器学习框架》中所呈现的部分结果时遇到的挑战。我们的分析确定了四类主要挑战：(1) 报告计算依赖项，(2) 记录与共享版本日志，(3) 顺序化代码组织，以及 (4) 澄清稿件中的代码引用。结果是一组面向旨在使代码对社区可访问且有用之人的切实行动方案建议。
引用
@article{arxiv.2310.07044,
title = {Reproducibility in Computational Materials Science: Lessons from 'A General-Purpose Machine Learning Framework for Predicting Properties of Inorganic Materials'},
author = {Daniel Persaud and Logan Ward and Jason Hattrick-Simpers},
journal= {arXiv preprint arXiv:2310.07044},
year = {2026}
}
备注
Main text: 15 pages, 1 table, 1 figure