钙钛矿电池模型评测换了分法：随机切分让查表法追平最优，换到未见机构后神经模型反超树模型

钙钛矿电池的机器学习评测不再按随机切分打分，而是按器件来源逐级分组：先分开重复器件，再分开同一篇论文，最后分开同一机构，另加按发表年份向前的时序切分。 此前这类模型各自挑选记录、主要用随机切分评测，且通常只与其他神经模型比较，因此报告精度无法直接对比，其中还混有未知的重复召回贡献。 在复现已发表最优评测设置时，一个不做学习、只用训练集中重复器件中位数预测的查表法达到2.934%的平均绝对误差，而已发表最优值为2.936%。

在完全未见机构的切分上，用科学语言模型读取层名语义的SciBERT+attention取得最低误差2.912%，超过原生类别处理的CatBoost和梯度提升基线。 在随机、重复分组和论文分组这些较松的切分上，树集成模型领先，因为它们把层名当作不透明类别字符串，擅长识别熟悉的配方。 在按发表年份向前的时序切分上，测试器件平均效率为13.59%而训练集为10.54%，每个神经模型都比梯度提升基线好0.19%到0.27%，且比每个树模型更准。

预测信息来自吸收层成分、器件结构和制备工艺三组输入，而不只是吸收层化学。 在随机切分上，移除器件结构使误差上升0.342%，远高于制备工艺的0.092%和成分的0.060%，其中大部分来自层名这一类别标识。 在未见机构切分上，移除制备工艺、器件结构和吸收层成分分别使误差上升0.091%、0.082%和0.074%，三者的贡献接近。

这套协议面向使用公开钙钛矿器件档案训练和比较模型的研究者与工程师，覆盖23,620个整理后器件、4,683篇论文中94.7%的通讯作者机构，以及随机、重复分组、论文分组、机构分组和时序五种切分。作者建议泛化或物理发现的主张由机构分组或时序切分支持，把树集成作为标准基线，并用查表法基线量化残余记忆。

作者指出，树模型把复杂材料成分仅编码为统计变量，缺乏对化学的物理理解，因此器件结构与制备工艺影响效率的结论受基线模型结构限制，吸收层物理的建模仍需成分感知的神经架构进一步研究。时序切分上约一半后期器件带有训练集中未出现的输入，造成基线预测的水平偏移，使置换重要性的量级不能与移除重要性的量级直接比较。