编辑推荐：
材料科学和物理领域2023-2025年集合机器学习方法取得突破，涵盖袋装、提升、堆叠和MoE方法，在材料发现、性质预测及物理模拟中显著提升预测精度（MAE降至0.054 eV/atom，L²误差降低超40%）和不确定性量化能力（ECE<5%），提出多模型GNNs融合、PINNs子域分解与模型平均、语言模型与结构GNNs混合框架等创新趋势。Matbench等基准数据验证了集合方法优于单模型的优势。
集成机器学习（ML）方法在推动材料科学和物理学的发展中发挥了关键作用，尤其是在2023至2025年期间，预测准确性、不确定性量化以及模型鲁棒性变得尤为重要。本文全面综述了现代集成方法，重点介绍了bagging、boosting、stacking和混合专家（MoE）技术，并探讨了它们在材料发现、性质预测和物理模拟中的应用。例如，集成图神经网络（GNN）将形成能的预测误差从单模型（CGCNN）的0.072 eV/原子降低到集成模型的0.054 eV/原子；而堆叠式物理信息神经网络（stacked PINNs）在逆热传导任务中将L²误差减少了40%以上。文章强调了以下发展趋势：(i) 结合CGCNN、GAT和GraphSAGE的集成GNN用于实现稳健的多属性回归；(ii) 利用子域分解和模型平均的PINN集成用于求解偏微分方程（PDEs）；(iii) 将语言模型与结构GNN结合的混合框架用于多模态性质推断。在不确定性评估方面，重点关注了预期校准误差（ECE < 5%）、负对数似然（NLL）和预测区间覆盖率等指标。通过Matbench、QM9和OC20等基准数据集证明了集成模型在多个领域中的优越性能。本文还为将集成方法与物理先验相结合提供了路径规划，有助于开发出可解释、可迁移且准确的科学模型。
集成机器学习（ML）方法在推动材料科学和物理学的发展中发挥了关键作用，尤其是在2023至2025年期间，预测准确性、不确定性量化以及模型鲁棒性变得尤为重要。本文全面综述了现代集成方法，重点介绍了bagging、boosting、stacking和混合专家（MoE）技术，并探讨了它们在材料发现、性质预测和物理模拟中的应用。例如，集成图神经网络（GNN）将形成能的预测误差从单模型（CGCNN）的0.072 eV/原子降低到集成模型的0.054 eV/原子；而堆叠式物理信息神经网络（stacked PINNs）在逆热传导任务中将L²误差减少了40%以上。文章强调了以下发展趋势：(i) 结合CGCNN、GAT和GraphSAGE的集成GNN用于实现稳健的多属性回归；(ii) 利用子域分解和模型平均的PINN集成用于求解偏微分方程（PDEs）；(iii) 将语言模型与结构GNN结合的混合框架用于多模态性质推断。在不确定性评估方面，重点关注了预期校准误差（ECE < 5%）、负对数似然（NLL）和预测区间覆盖率等指标。通过Matbench、QM9和OC20等基准数据集证明了集成模型在多个领域中的优越性能。本文还为将集成方法与物理先验相结合提供了路径规划，有助于开发出可解释、可迁移且准确的科学模型。
生物通 版权所有
