题目：Science-Driven Atomistic Machine Learning
文献来源:doi.org/10.1002/anie.202219170 （Angew）
代码：无
简介：机器学习（ML）算法目前正在成为所有科学领域的强大工具。传统上，ML被理解为一种基本的数据驱动的工作。不幸的是，精心管理的大型数据库在化学方面很少。因此，在这篇文章中，作者回顾了不依赖于“大数据”的科学驱动的ML方法，重点关注材料和分子的原子建模。在这种情况下，术语科学分割指的是从一个科学问题开始，然后询问什么训练数据和模型设计选择是合适的方法。作为科学驱动的ML的关键特征，本文讨论了自动化和目的驱动的数据收集，以及使用化学和物理先验来实现高数据效率。此外，还强调了适当的模型评价和误差估计的重要性。
主要内容：
-------------------------------------------
欢迎点赞收藏转发！
下次见！