# ALIGNN原子线图神经网络

材料与分子性质预测的主动学习常把高不确定性样本当作模型缺失的信息。形成能、带隙和溶解度三项任务上，不确定性分别来自损失景观采样与多种子重训集成，再用线性校准因子和神经网络校准。校准后的不确定性在分布外数据上通常未能减少模型改进所需的数据量，与随机抽样和未校准估计相比没有优势，且各方法误差棒相互重叠。

材料与分子性质预测的主动学习常把高不确定性样本当作模型缺失的信息。形成能、带隙和溶解度三项任务上，不确定性分别来自损失景观采样与多种子重训集成，再用线性校准因子和神经网络校准。校准后的不确定性在分布外数据上通常未能减少模型改进所需的数据量，与随机抽样和未校准估计相比没有优势，且各方法误差棒相互重叠。

金属导电率的计算一向昂贵，难以覆盖庞大化学空间。这套流程先用两个机器学习代理量——BoltzTraP2在恒定弛豫时间近似下给出的电导率，以及Eliashberg电子-声子耦合常数λ——经符号回归拟合为σSR=0.4σBT/λ，对约280万种有序化合物排序，再对候选做完整电子-声子输运计算。Be2IrPt、H3NaNi、LuIr和LiBePt2的室温电导率落在约34至38×10⁶ S/m，与铝的36.59×10⁶ S/m相当，但仍低于Ag、Au、Cu。

金属导电率的计算一向昂贵，难以覆盖庞大化学空间。这套流程先用两个机器学习代理量——BoltzTraP2在恒定弛豫时间近似下给出的电导率，以及Eliashberg电子-声子耦合常数λ——经符号回归拟合为σSR=0.4σBT/λ，对约280万种有序化合物排序，再对候选做完整电子-声子输运计算。Be2IrPt、H3NaNi、LuIr和LiBePt2的室温电导率落在约34至38×10⁶ S/m，与铝的36.59×10⁶ S/m相当，但仍低于Ag、Au、Cu。