CRISP — чоң тил моделдериндеги химиялык билимди түздөн-түз божомол жасоо үчүн колдонуунун ордуна, табигый тилде берилген химия жана кристалл түзүлүш эрежелерин текшерүүгө боло турган, сандык жана аткарылуучу descriptor-лорго компиляциялаган LLM колдоосундагы материалды көрсөтүү алкагы. Ыкмада LLM адегенде максатка тиешелүү химиялык эрежелерди кеңири эрежелер мейкиндигинен үлгүлөйт; окшош эрежелер бириктирилет; ар бир өкүл эрежеси кристалл түзүлүштү сандык мааниге айландырган программалануучу функцияга которулат; пайда болгон descriptor каталогу тоңдурулуп, акыркы божомолду Random Forest сыяктуу салттуу машиналык үйрөнүү модели жасайт. LLM ар бир материал үчүн акыркы божомол баскычына катышпайт.

Изилдөөнүн негизги сыноо чөйрөсү — органикалык эмес кристаллдардын синтезделүү мүмкүнчүлүгү. Бул жердеги “синтезделүү мүмкүнчүлүгү” лабораторияда жаңы материалдар синтезделип, ийгиликтүү тастыкталган эксперимент дегенди билдирбейт. Materials Project негизиндеги benchmark-та эксперименттик же жарыяланган түзүлүштөр оң, гипотетикалык же азырынча жарыяланбаган түзүлүштөр болсо терс эмес, этикеткасыз деп кабыл алынат. Ошондуктан колдонулган үйрөнүү маселеси positive–unlabeled, башкача айтканда оң–этикеткасыз үйрөнүү болуп саналат.

MP30 benchmark-ы 100.194 кристалл түзүлүштү камтыйт: 38.347 оң жана 61.847 этикеткасыз түзүлүш. Бир эле bagged PU Random Forest керектөөчүсү астында көрсөтүү формасы гана өзгөртүлгөндө, 50 аткарылуучу CRISP descriptor-у α-калибрленген F1=0,856 алган; 18 эксперт тандаган descriptor F1=0,834; CrystalNN F1=0,665; CFID F1=0,590; Robocrystallographer текст embedding-и F1=0,438 жана чийки CIF текст embedding-и F1=0,388 алган.

CRISPтин эң көрүнүктүү артыкчылыгы бир эле бөлүштүрүүдөгү benchmark-та гана эмес, тест маалыматтары үйрөтүү бөлүштүрүүсүнөн алыстаган учурларда да байкалган. Чоңураак уячалуу түзүлүштөрдө CRISP F1=0,420 менен эксперттик көрсөтүүнүн 0,384 маанисинен жогору калган. Сегиз химиялык үй-бүлөнүн ар бири өзүнчө үйрөтүүдөн чыгарылган тесттерде CRISPтин макро орточо F1 мааниси 0,537, эксперттик descriptor топтомунун көрсөткүчү 0,373 болгон. CRISP сегиз үй-бүлөнүн сегизинде тең эксперттик контролдон жогору F1 көрсөтүп, эки тараптуу exact sign test үчүн p=0,0078 билдирилген.

Ыкма үзгүлтүксүз материал касиеттерине да колдонулган. Түзүлүү энергиясында CRISP MAE=0,130 eV/atom жана R²=0,961 менен эксперт тандаган descriptor көрсөтүүсүнө дээрлик тең келген. Бөлмө температурасындагы иондук өткөрүмдүүлүктө 503 катуу электролит боюнча MAE=1,229 log бирдик жана R²=0,570 алынган; 150 материалдан турган көз карандысыз тышкы когортада кайра үйрөтүүсүз MAE=1,170, R²=0,476 жана Spearman ρ=0,721 сакталган.

Бирок булак бул ыкманы универсалдуу үстөмдүк катары көрсөтпөйт. Иондук өткөрүмдүүлүк үчүн тапшырмага өзгөчө эксперттик descriptor-лор жакшыраак иштеген, ал эми жылышуу модулун божомолдоодо майда үзгүлтүксүз геометриялык descriptor-лор CRISPтен ашып кеткен. Демек, изилдөөнүн жыйынтыгы “LLM билими ар бир материалды божомолдоо маселесинде жакшыраак” деген эмес; кеңири илимий билим мейкиндигин сандык, текшерүүгө боло турган жана маалымат топтомунан көз карандысыз түрдө компиляциялоо айрыкча бөлүштүрүү жылышы жана чектелген маалымат шарттарында пайдалуу болушу мүмкүн экенин көрсөтөт.

CRISP Деген Эмне жана Ал Кантип Иштейт?

CRISP — табигый тилдеги максатка тиешелүү химиялык эрежелерди LLM аркылуу кеңири масштабда үлгүлөгөн, окшош эрежелерди концептуалдык үй-бүлөлөргө бириктирген, ар бир үй-бүлөнү кристалл түзүлүштөн бир скаляр маанини эсептеген аткарылуучу программага айландырган жана бул тоңдурулган descriptor векторун классикалык машиналык үйрөнүү моделине берген көрсөтүү түзүү алкагы; акыркы материал божомолун LLM эмес, ушул сандык descriptor-лорду керектеген downstream модель жасайт.

Изилдөө чечүүгө аракет кылган негизги маселе

Материалдарды божомолдоодо кайсы машиналык үйрөнүү алгоритми тандалганы гана эмес, материал модельге кайсы өзгөрмөлөр менен көрсөтүлгөнү да чечүүчү мааниге ээ. Түзүлүү энергиясы сыяктуу айрым касиеттерди түздөн-түз сандык максат катары аныктоого болот. Бирок кристаллдын синтезделүү мүмкүнчүлүгүн бир гана сандык физикалык чоңдукка түшүрүүгө болбойт.

Кристаллдын чындап алынуусу термодинамикалык туруктуулук, метатуруктуулук, координациялык чөйрө, атомдордун жайгашуусу, симметрия, курам, атаандаш фазалар, кинетикалык жактан жеткиликтүү реакция жолдору жана ылайыктуу прекурсорлордун болушу сыяктуу көптөгөн факторлорго байланыштуу болушу мүмкүн. Бул ойлордун чоң бөлүгү химия адабиятында “мындай шарт синтезди жеңилдетиши мүмкүн” түрүндөгү табигый тил эрежелери катары кездешет.

Салттуу машиналык үйрөнүү модели табигый тилдеги мындай эрежелерди түздөн-түз окуй албайт. Адегенде аларды сандык өзгөрмөлөргө айлантуу керек. Макаланын негизги маселеси дал ушул: кең жана чачыранды химиялык билим мейкиндигин системалуу түрдө кантип табууга жана эсептелүүчү descriptor-лорго кантип айлантууга болот?

Эмне үчүн түздөн-түз LLM божомолу колдонулбайт?

Авторлор түздөн-түз LLM божомолунун эки маанилүү көйгөйүн көрсөтүшөт. Биринчиден, модель туура жыйынтык берсе да, божомол учурунда чындап кайсы физикалык же химиялык өзгөрмөлөрдү колдонгону түшүнүксүз болушу мүмкүн. Экинчиден, модель божомолдон кийин түзгөн табигый тилдеги түшүндүрмө божомолду чындап аныктаган ички эсептөөнүн ишенимдүү жазмасы болууга милдеттүү эмес.

CRISP бул көйгөйдү LLMнин милдетин чектөө менен чечет. LLM:

1. химиялык эрежени сунуштайт,
2. эреже үй-бүлөлөрүн бириктирүүгө жардам берет,
3. эрежени эсептеген программаны түзүүгө жардам берет.

Бирок descriptor каталогу даяр болгондон кийин каталог тоңдурулат. Акыркы маалымат топтомунда божомолду классикалык модель жасайт. Ошентип, ар бир кириш өзгөрмөсүнүн артында аталышы бар химиялык эреже жана текшериле турган программа турат.

CRISP кыскартмасынын чечмелениши кандай?

Жүктөлгөн негизги PDF CRISP атын ыкманын аталышы катары колдонот, бирок бул кыскартма кайсы англис сөздөрүнүн баш тамгаларынан түзүлгөнүн ачык бербейт. Ошондуктан Verianla булакта жок чечмелөөнү ойлоп чыгарбайт.

CRISPтин беш баскычтуу агымы

Эрежени табуу баскычы кантип жүргүзүлгөн?

Синтезделүү мүмкүнчүлүгү тапшырмасында gpt-4.1-mini-2025-04-14 моделинен органикалык эмес химия адиси сыяктуу аракет кылып, кристалл маалыматынын негизинде синтезделүү мүмкүнчүлүгүн көрсөтө ала турган он химиялык же түзүлүштүк эрежени сунуштоо талап кылынган. Ар бир эреженин түшүндүрмөсү эң көп 100 сөз менен чектелген.

Ошол эле суроо 1.000 көз карандысыз жолу жөнөтүлгөн:

\[ 1000\;\text{çağrı}\times10\;\text{kural/çağrı}=10000\;\text{aday kural} \]

Изилдөөчүлөр бул баскычта reasoning басымдуу моделдин ордуна тез жана ар түрдүүлүк жараткан non-reasoning моделин атайын тандаганын белгилешет. Максат бир жоопко жакындашуу эмес, мүмкүн болушунча кеңири химия-эреже мейкиндигин үлгүлөө болгон.

Ошондуктан бир эле ой көп жолу жаралышы мүмкүн, ал эми айрым эрежелер аз гана чакырууда пайда болгон. Изилдөөнүн кийинки талдоосу эреженин LLM тарабынан көп чыгарылышы анын божомол үчүн сөзсүз баалуураак экенин билдирбей турганын көрсөткөн.

10.000 табигый тил эрежеси кантип 50 descriptor-га кыскартылган?

Эреже тексттери text-embedding-3-large менен сандык текст embedding-дерине айландырылган. Embedding векторлору адегенде L2 нормалдаштырылып, PCA аркылуу өлчөмү азайтылып, андан соң кайра нормалдаштырылган.

Синтезделүү мүмкүнчүлүгү каталогунда k-means үчүн:

• кластер саны: 50,
• centroid башталгыч саны: 50,
• максималдуу итерация: 1.000,
• random seed: 42

колдонулган.

Ар бир кластердеги табигый тил эрежелери андан кийин GPT-5ке берилип, жалпы химиялык маанисин көрсөткөн бир эрежеге бириктирилген. Булак эреже бириктирүү баскычында адам тарабынан мазмундук редакция жасалбаганын белгилейт.

Түзүлүү энергиясы, жылышуу модулу жана иондук өткөрүмдүүлүк үчүн дагы 1.000 чакыруудан турган максатка өзгөчө эреже табуу жүргүзүлгөн; бирок бул тапшырмаларда эрежелер 25 үй-бүлөгө бириктирилген.

“Маалымат топтомуна сокур” деген эмне?

CRISPтин “dataset-blind”, башкача айтканда маалымат топтомуна сокур деп аталышы эреже табуу жана descriptor каталогун түзүү учурунда LLMге кристалл мисалдары, чыныгы максат маанилери, үйрөтүү/тест бөлүнүүлөрү, модель божомолдору же натыйжалуулук метрикалары берилбейт дегенди билдирет. Бул дизайн descriptor-лордун конкреттүү benchmark этикеткаларына карап оптималдаштырылышын алдын алууну көздөйт.

Бул жерде маанилүү айырма бар: descriptor функциялары кийин чыныгы кристалл түзүлүшкө колдонулуп, маанилер эсептелет. “Маалымат топтомуна сокур” деген descriptor-лор кристалл түзүлүштү таптакыр колдонбойт деген эмес; descriptor идеясы жана программасы benchmark этикеткаларынан кайтарым байланыш албай түзүлөт дегенди билдирет.

Табигый тил эрежеси кантип аткарылуучу descriptor болот?

Ар бир бириктирилген химиялык эреже gpt-4.1-2025-04-14 менен temperature=0 шартында бир floating-point скаляр маанини кайтарган Python функциясына айландырылган.

Концептуалдык түрдө ар бир descriptor:

\[ f_k(x)\rightarrow z_k \]

түрүндө каралышы мүмкүн.

Бул жерде \(x\) CIFтен алынган кристалл түзүлүштү жана тиешелүү туруктуу физика-химиялык кириштерди; \(f_k\) k номердүү химиялык эрежени эсептеген программаны; \(z_k\) болсо бул эреженин ошол кристалл үчүн чыгарган бир скаляр маанисин билдирет.

Синтезделүү мүмкүнчүлүгү тапшырмасындагы жалпы көрсөтүү:

\[ \mathbf{z}(x)= [f_1(x),f_2(x),\ldots,f_{50}(x)] \]

түрүндө 50 өлчөмдүү descriptor вектору катары каралышы мүмкүн. Бул математикалык көрсөтүү булак ыкмасынын үйрөтүүчү формалдаштырылышы; булакта өзүнчө номерленген теңдеме катары берилген эмес.

Descriptor коддоруна эмне кылууга уруксат берилген эмес?

Синтезделүү мүмкүнчүлүгү descriptor-лорунун ичинде pretrained synthesizability моделдерин, граф нейрон тармактарын же максат үчүн үйрөтүлгөн surrogate моделдерди колдонууга тыюу салынган.

Регрессия тапшырмаларында максатка түз жетүү же target leakage жаратышы мүмкүн болгон кириштер да тыюу салынган. Булак мисал катары материал боюнча түзүлүү/жалпы энергияны, energy above hull, серпилгич тензорлорду, серпилгич туруктууларды, модулдарды, чыңалуу–деформация жоопторун, маалымат базасынан максат маанисин алуу жана максат боюнча үйрөтүлгөн surrogate-тарды санайт.

Түзүлгөн функциялар синтаксис, import, тыюу салынган token-дер жана target leakage боюнча статикалык аудиттен өткөрүлгөн. Акыркы 25 функциялуу регрессия каталогдорунун баары бул текшерүүлөрдөн өткөн.

Адамдын кийлигишүүсү канчалык?

Эреже бириктирүү баскычында адам тарабынан химиялык мазмун редакцияланбаганы айтылган. Код даярдоо баскычында адамдын кийлигишүүсү коддун иштешине тоскоол болгон:

• синтаксис,
• тип,
• import,
• runtime

каталарын оңдоо менен гана чектелген. Булак бул оңдоолордо LLM сунуштаган химиялык логика же эсептөө түзүлүшү өзгөртүлбөгөнүн белгилейт.

Эмне үчүн 50 descriptor тандалган?

Камтуу жана жакындашуу талдоолору 1.000 LLM чакыруусу практикалык каныгуу бюджети экенин колдогон. Descriptor саны көбөйгөн сайын көрсөткүч K=50гө чейин өскөн, K=60 чамасында плато пайда болуп, семантикалык кайталоо көбөйгөн.

Ошондуктан K=50 булак тарабынан камтуу менен ашыкча кайталоонун ортосундагы тең салмак катары чечмеленет.

Оң–Этикеткасыз Үйрөнүү Деген Эмне?

Оң–этикеткасыз үйрөнүү — маалымат топтомунда ишенимдүү оң мисалдар бар, бирок калган мисалдарды чыныгы терс катары кабыл алууга болбой турган үйрөнүү маселеси; бул изилдөөдө жарыяланган кристаллдар оң, ал эми гипотетикалык же азырынча жарыяланбаган кристаллдар “синтезделбейт” деп белгиленбестен, этикеткасыз калтырылган.

Эмне үчүн этикеткасыз кристалл терс эмес?

Кристаллдын маалымат базасында азырынча оң катары көрүнбөшү анын физикалык жактан синтезделе албасын далилдебейт. Материал азырынча сыналбаган, туура синтез шарттары табылбаган же маалымат базасына кошула элек болушу мүмкүн.

Ошондуктан этикеткасыз түзүлүштөрдү түздөн-түз терс класс катары колдонуу чындыгында синтезделүүчү айрым материалдарды жаңылыш терс катары кабыл алуу тобокелин жаратат.

MP30 benchmark-ы

MP30 бирдик уяча көрсөтүүсүндө эң көп 30 атому бар түзүлүштөр менен чектелген. Түзүлүш сүрөттөмөсү 10.000 же андан көп символ болгон айрым кириштер StructLLM pipeline-ы менен шайкештикти сактоо үчүн чыгарылып салынган.

Bagged PU Random Forest кантип иштейт?

CRISP синтезделүү мүмкүнчүлүгүн божомолдоодо 50 өзүнчө Random Forest моделин колдонгон. Ар бир bag ичинде бардык оң үйрөтүү мисалдары алынган жана этикеткасыз пулдан ошондой эле сандагы кокустук мисал тандалган.

Ар бир тең салмакталган чакан топтомдо:

• RandomForestClassifier,
• 100 estimator/дарак,
• мындан тышкары scikit-learn демейки жөндөөлөрү

колдонулган.

Акыркы CRISP скоры булак ыкмасынын математикалык көрсөтүүсү менен төмөнкүдөй каралышы мүмкүн:

\[ s(x)=\frac{1}{50}\sum_{b=1}^{50}p_b(y=1\mid x) \]

Бул жерде \(p_b(y=1\mid x)\) — b номердүү Random Forestтын x кристалы үчүн оң класска берген ыктымалдыкка окшош скоры. \(s(x)\) — 50 моделдин орточо оң-класс скоры.

Бул скор реалдуу дүйнөдөгү “синтезделүү ыктымалдыгы” катары чечмеленбеши керек. Бул PU benchmark-ына ылайык түзүлгөн модель скоры.

α=0,0567 Калибрлөөсү Эмнени Билдирет?

α=0,0567 — булакта этикеткасыз U пулунун ичинде жашыруун чыныгы оң мисалдар бар деген божомолду билдирген жана PU классификация метрикаларынын иш чекитин калибрлөө үчүн колдонулган туруктуу prevalence мааниси; изилдөө бул маанини мурдагы PU синтезделүү мүмкүнчүлүгү изилдөөлөрүнө таянып туруктуу кармаган.

Ошондуктан Table 1деги precision жана F1 маанилери классикалык толук этикеткаланган маалымат топтомунда түз эсептелген кадимки supervised-classification метрикалары катары окулбашы керек. Булак аларды α-шарттуу PU баалоосуна ылайык билдирет.

F1 эмнени өлчөйт?

F1 — precision менен recall/TPR ортосундагы гармониялык орточо. Жалпы математикалык аныктамасы:

\[ F1= 2\frac{Precision\times Recall} {Precision+Recall} \]

түрүндө.

Бул изилдөөдө \(Recall\) оң түзүлүштөрдүн канчасы туура түрдө жогорку оң класс тарабында кармалганын көрсөткөн TPR менен байланыштуу. Бирок precision компоненти PU чөйрөсүндө α боюнча бааланып калибрленгендиктен, классикалык толук этикеткаланган классификация precision-ы менен бирдей баалоо эмес.

TPR деген эмне?

True Positive Rate (TPR) оң экени белгилүү мисалдардын канчасы оң катары табылганын билдирет. Толук этикеткаланган классификациядагы стандарттык концептуалдык формасы:

\[ TPR=\frac{TP}{TP+FN} \]

түрүндө.

TP — туура оң, FN — жаңылыш терс мисалдардын санын билдирет.

CRISPтин негизги benchmark жыйынтыгы

Салыштыруу чеги: Таблица эки башка типтеги салыштырууну камтыйт. CRISP, Expert-curated, CrystalNN, CFID, Robocrystallographer жана Raw CIF бир эле PU Random Forest керектөөчүсүнүн астында салыштырылган; бул жерде негизги өзгөрмө — көрсөтүү формасы. CSLLM, StructLLM, SynCry жана PU-CGCNN болсо өзүнүн баштапкы божомол pipeline-дары менен салыштырылгандыктан, көрсөтүү да, predictor да өзгөрөт. Ошондуктан бардык саптарды “descriptor гана айырмаланат” деп чечмелөөгө болбойт.

Эмне үчүн көбүрөөк descriptor автоматтык түрдө жакшы эмес?

CRISP 50 өлчөмдүү, Expert-curated көрсөтүү 18 өлчөмдүү, CFID болсо 1.557 өлчөмдүү. Ошого карабастан бир эле Random Forest астында F1 тартиби CRISP > Expert-curated > CrystalNN > CFID болгон.

Бул жыйынтык descriptor саны өзү эле маалыматтын сапатын аныктабай турганын көрсөтөт. Көп сандагы жалпы касиеттер максат үчүн маанилүү химиялык билимдин кичирээк, бирок максатка көбүрөөк багытталган каталогунан сөзсүз пайдалуураак болууга тийиш эмес.

Маалымат аз болгондо эмне болду?

Үйрөтүү бөлүгүнүн болгону %5и колдонулганда:

• CRISP F1 = 0,618,
• Expert-curated F1 = 0,577,
• төрт жалпы көрсөтүүнүн F1 маанилери = 0,261–0,403

аралыгында калган.

Бул жыйынтык компиляцияланган химиялык алдын ала билим маалымат көлөмү чектелген шарттарда өзгөчө пайдалуу болушу мүмкүн экенине изилдөөнүн ичиндеги далил болуп саналат. Башка маалымат топтомдорунда автоматтык түрдө ошол эле чоңдукта артыкчылык берери көрсөтүлгөн эмес.

CIF деген эмне?

Crystallographic Information File (CIF) — кристалл түзүлүш маалыматы бирдик уяча параметрлери, атом түрлөрү, атом орундар жана симметрия маалыматтары сыяктуу кристаллографиялык маалыматтар менен берилген стандартташкан текст форматы.

Raw-CIF салыштыруусунда бул текст толугу менен text-embedding-3-large аркылуу 256 өлчөмдүү embedding-ге айландырылган.

CrystalNN, CFID жана Robocrystallographer эмнени көрсөтөт?

• CrystalNN: 122 өлчөмдүү жергиликтүү координация чөйрөсүнүн fingerprint-терин колдонот.
• CFID: 1.557 өлчөмдө химия, уяча, радиалдык, бурчтук, dihedral жана зарядга байланыштуу бөлүштүрүүлөрдү бириктирет.
• Robocrystallographer: кристалл түзүлүштөн автоматтык табигый тилдеги түзүлүш сүрөттөмөсүн жаратат; бул изилдөө сүрөттөмөнү 256 өлчөмдүү embedding катары колдонгон.
• Raw CIF: кристаллографиялык файлдын чийки UTF-8 текстин 256 өлчөмдүү embedding-ге айлантат.

Бөлүштүрүү Жылышы Эмне Үчүн Бул Изилдөөнүн Борборунда?

Бөлүштүрүү жылышы — тест мисалдары үйрөтүү учурунда көрүлгөн түзүлүш же химия бөлүштүрүүсүнөн системалуу түрдө айырмаланган абал; CRISPтин негизги дооматы кадимки benchmark F1ди гана көтөрүү эмес, компиляцияланган химиялык эрежелер чоңураак кристалл түзүлүштөр жана үйрөтүүдө такыр көрүлбөгөн химиялык үй-бүлөлөр сыяктуу бөлүштүрүүдөн тышкаркы шарттарда көбүрөөк божомол сигналын сактай алышы мүмкүн экендиги.

Түзүлүш өлчөмүнүн жылышы

MP30да үйрөтүлгөн моделдер кайра үйрөтүүсүз 31–49 site камтыган 23.525 Materials Project түзүлүшүнө колдонулган.

Бул маанилердин баары бир эле MP30 үйрөтүү бөлүштүрүүсүнөн чоңураак кристалл көрсөтүүлөрүнө өткөрүүнү өлчөйт.

Химиялык үй-бүлө жылышы

Экинчи өткөрүү экспериментинде сегиз материал үй-бүлөсүнүн бири толугу менен үйрөтүүдөн чыгарылып, модель башка үй-бүлөлөрдө үйрөтүлүп, эч көрбөгөн үй-бүлөдө тесттен өткөрүлгөн.

“Макро орточо” — ар бир химиялык үй-бүлөнүн скорун үй-бүлөнүн көлөмүнө карабастан бирдей салмак менен орточолоштуруу:

\[ F1_{\mathrm{macro}} = \frac{1}{K} \sum_{k=1}^{K}F1_k \]

Бул экспериментте \(K=8\) химиялык үй-бүлө бар.

Exact sign test p=0,0078 эмнеге чыкты?

CRISP алдын ала аныкталган сегиз химиялык үй-бүлөнүн баарында Expert-curated контролунан жогору F1 алган.

Эгер эки ыкманын ар бир үй-бүлөдө жеңүү ыктымалдыгы бирдей жана %50 деп кабыл алынса, сегиз салыштыруунун баары бир эле ыкманын пайдасына чыгышынын эки тараптуу exact sign test ыктымалдыгы:

\[ p= 2\left(\frac{1}{2}\right)^8 = \frac{2}{256} = 0.0078125 \]

болот. Булактагы p=0,0078 мааниси бул жыйынтык менен шайкеш.

Бул тест F1 айырмаларынын чоңдугун эмес, сегиз үй-бүлөнүн баарында айырма бир багытта болушунун кокустук ыктымалдыгын баалайт.

Интерметалликтердеги айырма

Булак интерметаллдык үй-бүлөнү өзгөчө мисал катары көрсөтөт:

• CRISP F1 = 0,764,
• CrystalNN F1 = 0,508,
• Expert-curated F1 = 0,418.

Авторлор муну кеңири CRISP каталогу эксперт тарабынан компакттуу тандалган касиеттерде жетиштүү чагылдырылбаган айрым үй-бүлөгө өзгөчө химиялык маалыматты сактай аларынын далили катары чечмелешет.

End-to-end моделдер менен бөлүштүрүүдөн тышкаркы салыштыруу

Чоңураак түзүлүш тестинде калибрленген TPR:

• CRISP = 0,839,
• CSLLM = 0,754,
• PU-CGCNN = 0,574.

Сегиз көрүлбөгөн химиялык үй-бүлө боюнча макро орточо:

2022 → 2026 убакыттык контрол

Изилдөөчүлөр 2022-жылдын Октябрь Materials Project snapshot-ында этикеткасыз болуп, бирок 2026-жылдын Апрелинде оң жазууга айланган 334 түзүлүш боюнча ретроспективдүү контрол жүргүзгөн.

Бул түзүлүштөрдүн CRISP скорлорунун %94,6сы номиналдык 0,5 босогодон жогору.

Чечмелөө чеги: Бул жыйынтык CRISP 334 жаңы материалдын синтезин алдын ала көз карандысыз түрдө эксперименттик жактан “ачкан” дегенди билдирбейт. Талдоо ретроспективдүү болуп, маалымат базасындагы статустун убакыт өтүшү менен өзгөрүүсү жана модель скорунун байланышын изилдейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Эреже жыштыгы божомол маанилүүлүгүн аныктайбы?

Жок. Булакта эреже кластерлери LLM тарабынан канчалык көп өндүрүлгөнүнө жараша индекстелген, бирок өндүрүү жыштыгы менен Random Forest importance мааниси же орточо абсолюттук SHAP салымынын ортосунда маанилүү байланыш табылган эмес.

Мисалы, сейрек өндүрүлгөн:

• стехиометриялык четтөө — R42,
• antisite formation-energy proxy — R45

сыяктуу эрежелер олуттуу божомол салымдарын көрсөткөн.

Бул жыйынтык төмөнкү айырманы көрсөтөт: түшүнүктүн LLM тарабынан оңой жана көп эске түшүрүлүшү менен аны эсептеген descriptor-дун модель үчүн чындап пайдалуу болушу бир нерсе эмес.

Energy above hull эмне үчүн маанилүү?

Energy above hull — материалдын ошол эле жалпы курамдагы мүмкүн болгон туруктуу фаза комбинацияларына салыштырмалуу энергия боюнча канчалык жогору турганын билдирген термодинамикалык туруктуулук өлчөмү. Convex hull үстүндө турган түзүлүштөрдүн energy-above-hull мааниси нөлгө жакын, ал эми жогорку маанилер термодинамикалык метатуруктуулуктун өсүшүн көрсөтүшү мүмкүн.

CRISP глобалдык descriptor importance талдоосунда energy above hull эң маанилүү descriptor болгон. Бирок класстарды жалгыз ушул descriptor аныктаган эмес; булак эч бир жалгыз descriptor дээрлик детерминисттик класс бөлүнүшүн камсыз кылбаганын билдирет.

Эң маанилүү 10 descriptor канча маалымат алып жүрдү?

Үйрөтүү маалыматынан алынган importance тартибине ылайык эң жогорку 10 descriptor гана колдонулганда F1=0,816 алынган. Төмөн importance тартибиндеги descriptor-лордон башталган чакан топтомдор көрсөткүчтү жайыраак калыбына келтирген.

Бул бөлүштүрүү ичиндеги көрсөткүчтүн чоң бөлүгүн компакттуу өзөк алып жүрөрүн көрсөтөт. Бирок булак толук каталог түзүлүш өлчөмү жана химиялык үй-бүлө жылыштарында күчтүүрөөк экенин да көрсөтөт.

Башкача айтканда, үйрөтүү бөлүштүрүүсүндө керексиздей көрүнгөн айрым химиялык эрежелер жаңы материал үй-бүлөсүнө өткөндө пайдалуу болуп калышы мүмкүн.

Descriptor үй-бүлөлөрү

Post hoc эксперттик классификация descriptor-лордогу маалыматты негизинен төмөнкү физика-химиялык үй-бүлөлөргө бөлгөн:

• термодинамикалык,
• граф-байланыштык,
• геометриялык,
• курамдык.

GPT-5 башында A/B/C importance этикеткаларын сунуштаган, кийин эки тармактык эксперт descriptor-лорду чогуу карап чыгып, акыркы этикеткаларды консенсус менен аныктаган. Көз карандысыз баалоо жүргүзүлбөгөндүктөн inter-rater agreement, башкача айтканда байкоочулар аралык шайкештик метрикасы аныкталган эмес.

DFT Физикалык Аудити Эмнени Көрсөтөт жана Эмнени Далилдебейт?

DFT perturbation–relaxation аудити жогорку CRISP скоруна ээ түзүлүштөр колдонулган кичине координаталык бузулууларда жакын чөйрөдө энергияны азыраак төмөндөтүүчү альтернативдүү геометрия табышы менен байланыштуу экенин көрсөтөт; бул жергиликтүү түзүлүштүк бекемдик үчүн көз карандысыз физикалык шайкештик текшерүүсү, бирок синтез кинетикасын, лабораторияда алынуусун же эксперименттик туруктуулукту түздөн-түз далилдебейт.

DFT топтору

Үч топ тандалган:

• 50 скору жогору белгилүү оң түзүлүш,
• 50 скору жогору этикеткасыз түзүлүш,
• 50 скору төмөн этикеткасыз түзүлүш.

Ар бир негизги түзүлүш үчүн атомдордун фракциялык координаттары %1 көлөмүндө кокустук жылдырылып, 10 perturbation түзүлүш түзүлгөн. Бир эле он random seed үч топ үчүн тең колдонулган.

Жергиликтүү бекемдик кантип бааланган?

Ар бир perturbation түзүлүш DFT менен relaxation жүргүзүлүп, relaxation кийин энергия негизги түзүлүштүн энергиясына салыштырмалуу атом башына эсептелген.

Негизги босого:

\[ \Delta E<-0.02\;\mathrm{eV/atom} \]

катары колдонулган.

Perturbation негизги түзүлүштөн кеминде 0,02 eV/atom төмөн энергияга relaxation болушу жакын конфигурация мейкиндигинде төмөн энергиялуу геометрия табылышы мүмкүн экенин көрсөтөт. Бир эле негизги түзүлүш үчүн бул окуя көбүрөөк perturbation-да көрүнүшү булак тарабынан төмөн жергиликтүү түзүлүштүк бекемдик менен байланышкан.

0,01 жана 0,03 eV/atom босоголору колдонулганда да ошол эле сапаттык тартип сакталган.

DFT эсептөө шарттары

Бул физикалык контролдун чеги

Түзүлүштүн кичине perturbation-дарга каршы жергиликтүү энергия чөйрөсүндө бекем болушу реалдуу синтез учурунда жеткиликтүү реакция жолу бар экенин билдирбейт. Чыныгы синтез температура, басым, прекурсорлор, кинетикалык тоскоолдуктар, фаза өзгөрүүлөрү жана эксперименттик процедура сыяктуу көптөгөн кошумча факторлорго байланыштуу болушу мүмкүн.

Ошондуктан изилдөө DFT audit жыйынтыгын “CRISP синтез кинетикасын үйрөндү” деп чечмелебейт.

Түзүлүү энергиясы тапшырмасы

Түзүлүү энергиясы регрессиясында 99.186 чектүү түзүлүү энергиясы жазуусу колдонулган. CRISP каталог өлчөмү бул тапшырмада 25 descriptor.

Регрессия моделдеринде RandomForestRegressor 100 дарак менен колдонулган. Үч GroupShuffleSplit бөлүнүшүндө түзүлүштөрдүн %20сы тестке бөлүнгөн. Үйрөтүү үлүштөрү:

5%, 10%, 20%, 40%, 60%, 80% жана 100%

түрүндө ич ара камтылган чакан топтомдор катары колдонулган.

MAE эмнени билдирет?

Орточо абсолюттук ката — Mean Absolute Error (MAE) — божомол менен чыныгы маани ортосундагы абсолюттук айырмалардын орточосу:

\[ MAE= \frac{1}{n} \sum_{i=1}^{n} |y_i-\hat{y}_i| \]

\(y_i\) чыныгы маани, \(\hat{y}_i\) модель божомолу жана \(n\) мисалдардын саны. MAE азайган сайын орточо божомол катасы азаят.

R² эмнени билдирет?

Детерминация коэффициентинин стандарттык аныктамасы:

\[ R^2= 1- \frac{\sum_i(y_i-\hat{y}_i)^2} {\sum_i(y_i-\bar{y})^2} \]

түрүндө. \(R^2\) маанисинин 1ге жакындашы божомолдор максат өзгөрмөнүн вариациясынын чоң бөлүгүн түшүндүрөрүн көрсөтөт. Терс R² модель айрым тест шарттарында жөнөкөй орточо божомолдон да начар иштеши мүмкүн экенин көрсөтөт.

Түзүлүү энергиясынын жыйынтыктары

CRISP үчүн булак кошумча R²=0,961 билдирет.

Сегиз көрүлбөгөн химиялык үй-бүлөгө өткөрүүдө макро R²:

• CRISP = 0,564,
• Expert-curated = 0,474,
• CFID = 0,323.

Башка көрсөтүүлөр сегиз үй-бүлөдө оң макро R² сактай алган эмес.

Иондук өткөрүмдүүлүк маалымат топтому

Бөлмө температурасындагы иондук өткөрүмдүүлүк тапшырмасы 503 органикалык эмес катуу электролиттен турат.

Максат:

\[ \log_{10}\left[\frac{\sigma}{\mathrm{S/cm}}\right] \]

түрүндө берилген.

Бул жерде \(\sigma\) иондук өткөрүмдүүлүк. Өткөрүмдүүлүктү S/cm бирдигине бөлүү логарифмдин ичине өлчөмсүз катыш киргизет; модель өткөрүмдүүлүктүн 10 негизиндеги логарифмин түздөн-түз божомолдойт.

Маалымат бөлүнүшү reduced-formula-group-disjoint түрүндө:

• 404 үйрөтүү,
• 99 тест

түзүлүшүнөн турган.

Иондук өткөрүмдүүлүк жыйынтыктары

CRISP тест R² мааниси 0,570.

Андан соң CRISP 503 өнүктүрүү түзүлүшүнүн баарында үйрөтүлүп, бул коллекцияда жок, кол менен түзүлгөн 150 катуу электролиттик тышкы когортада кайра үйрөтүүсүз тесттен өткөрүлгөн:

Spearman ρ эки өзгөрмөнүн абсолюттук маанилеринен көрө алардын тартиби канчалык бирге өзгөрөрүн өлчөгөн rank-correlation метрикасы. ρ=0,721 бул тышкы когортада божомолдонгон өткөрүмдүүлүк тартиби менен байкалган тартиптин ортосунда оң байланыш бар экенин көрсөтөт.

Бирок булак ион ташууга багытталган атайын эксперттик алдын ала билимдер менен кол менен тандалган 18 descriptor-дук контрол CRISPтен жакшы экенин ачык айтат. Негизги PDFте бул эксперттик контролдун толук сандык жыйынтыктары Figure S20га шилтенген; колдоочу фигуранын так маанилери негизги PDFте берилбегендиктен Verianla аларды чыгарбайт.

Жылышуу модулу жыйынтыгы эмне үчүн маанилүү чектөө?

Жылышуу модулу тапшырмасы 10.794 ылайыктуу түзүлүштү камтыйт. Булак бул тапшырмада майда чечилишке ээ үзгүлтүксүз геометриялык descriptor-лор CRISPтен жакшы көрсөткүч бергенин айтат.

Бул жыйынтык CRISP тапшырмадан көз карандысыз универсалдуу көрсөтүү эмес экенин көрсөтөт. Максат өтө майда жана үзгүлтүксүз геометриялык маалыматка күчтүү байланыштуу болсо, табигый тилдеги химия эрежелеринен компиляцияланган компакттуу descriptor каталогу керектүү чечилишти бере албай калышы мүмкүн.

Изилдөөнүн негизги сандык жыйынтыгы

Изилдөө колдогон жыйынтыктар

• LLM тарабынан өндүрүлгөн табигый тилдеги химия эрежелерин текшериле турган аткарылуучу descriptor-лорго айландырууга болот.
• CRISP descriptor-лору MP30 benchmark-ында бир эле PU Random Forest астында салыштырылган жалпы көрсөтүүлөрдөн жана эксперт тандаган 18 descriptor-дан жогорку F1 алган.
• CRISPтин артыкчылыгы түзүлүш өлчөмү жана химиялык үй-бүлө бөлүштүрүү жылыштарында чоңойгон.
• Сейрек өндүрүлгөн айрым эрежелер маанилүү божомол маалыматын алып жүрүшү мүмкүн; LLM өндүрүү жыштыгы feature importance үчүн ишенимдүү proxy эмес.
• Толук descriptor каталогу бөлүштүрүү жылышында, бөлүштүрүү ичинде керексиздей көрүнгөн кошумча маалыматты бере алат.
• Жогорку CRISP скорлору колдонулган DFT perturbation протоколунда жогорку жергиликтүү түзүлүштүк бекемдик менен байланыштуу табылган.
• CRISP түзүлүү энергиясында эксперттик компакттуу көрсөтүү менен окшош бөлүштүрүү-ичи катаны алган.
• CRISP иондук өткөрүмдүүлүктө жалпы кристалл көрсөтүүлөрүнөн төмөн MAE алып, көз карандысыз 150 түзүлүштүү когортага маалымат ташыган.
• Descriptor каталогу түзүлгөндөн кийин ар бир материал үчүн LLM inference талап кылынбайт.
• Ар бир descriptor аталышы бар химиялык эреже жана текшериле турган программа менен байланышкандыктан, көрсөтүүнү аудит кылууга жана ablate кылууга болот.

Изилдөө колдобогон жыйынтыктар

• CRISP скоры кристалл лабораторияда сөзсүз синтезделерине кепилдик бербейт.
• Этикеткасыз мисалдар чыныгы терс эмес.
• 2026-жылы оң статуска өткөн түзүлүштөр CRISP тарабынан эксперименттик түрдө “ачылганы” көрсөтүлгөн эмес.
• DFT perturbation аудити синтез кинетикасын же эксперименттик туруктуулукту түздөн-түз өлчөбөйт.
• CRISP бардык материал касиеттери үчүн эң жакшы көрсөтүү эмес.
• Иондук өткөрүмдүүлүктө тапшырмага өзгөчө эксперттик descriptor контролунан ашкан эмес.
• Жылышуу модулунда майда геометриялык descriptor-лордон жакшы экени көрсөтүлгөн эмес.
• LLM түздөн-түз акыркы божомол модели катары үстөм экени көрсөтүлбөйт; CRISPтин негизги салымы knowledge compilation баскычында.
• F1=0,856 реалдуу лабораториялык синтез ийгилигинин пайызы эмес.
• PU precision маанилерин толук этикеткаланган классикалык классификация precision-ы сыяктуу түз чечмелөөгө болбойт.

Изилдөөнүн негизги методологиялык чектөөлөрү

PU этикетка түзүлүшү: Синтезделүү мүмкүнчүлүгү тапшырмасында чыныгы терс класс жок. Жыйынтыктар оң/этикеткасыз benchmark божомолдоруна жана α=0,0567 latent-positive prevalence кабыл алуусуна көз каранды.

Максатка көз карандылык: CRISPтин ийгилиги максат касиет кандай маалымат чечилишин талап кыларына байланыштуу. Жылышуу модулу жыйынтыгы бул чектөөнү ачык көрсөтөт.

Эксперттик алдын ала билим дагы деле баалуу: Кичине иондук өткөрүмдүүлүк маалымат топтомунда күчтүү тапшырмага өзгөчө эксперттик descriptor-лор CRISPтен ашкан.

Proprietary LLM колдонуу: Азыркы ишке ашыруу эрежени өндүрүү, бириктирүү жана код түзүү баскычтарында proprietary тил моделдерин колдонот. Авторлор мунун ордуна колдонулган акыркы эрежелердин тексттерин, descriptor программаларын жана аудит жазмаларын жарыялап, жыйынтыктарда колдонулган көрсөтүүнүн көзөмөлдөнө билүүсүн сактаганын белгилешет.

Каталогду өнүктүрүү хронологиясы: K=50 каталог, 1.000 чакыруу бюджети жана алгачкы MP30 бөлүнүшү эрте өнүктүрүү баскычында аныкталган. Булак Figure S4 каталог-өлчөм жана Figure S3 classifier талдоолорун prospective model-selection эмес, ретроспективдүү сезимталдык талдоолору катары сүрөттөйт.

Химиялык үй-бүлө тести element-disjoint эмес: Үй-бүлөгө негизделген transfer taxonomy-level transferди өлчөйт; тесттелген үй-бүлөдөгү бардык элементтер үйрөтүүдөн чыгарылган дегенди билдирбейт.

Кайра өндүрүлүүчүлүк жагынан күчтүү жактар

• Prompt-тар Supporting Information ичинде бөлүшүлгөн.
• Эреже консолидациялоо процедурасы түшүндүрүлгөн.
• Аткарылуучу descriptor коддору жарыяланган.
• Code audit жазмалары бөлүшүлгөн.
• Моделди үйрөтүү жана баалоо коду GitHub аркылуу жеткиликтүү экени билдирилген.
• MP30 түзүлүш маалыматтары Materials Project аркылуу жеткиликтүү.
• 503 түзүлүштүү иондук өткөрүмдүүлүк өнүктүрүү топтомунун Zenodo DOI-си берилген.
• Тоңдурулган benchmark ID-лер ар башка моделдерде бирдей сакталган.

Булак жана Ыкма Жөнүндө Эскертүү

Түпкү изилдөө: Compiling Chemical Knowledge into Executable Descriptors for Materials Prediction

Авторлор: Jaehwan Choi; Kunik Jang; Seongmin Kim; Shuan Chen; Kyungju Nam; Seung Hyo Noh; Donghwi Kim; Yousung Jung.

Жооптуу автор: Yousung Jung.

Э-почта: yousung.jung@snu.ac.kr

Мекеме 1: Department of Chemical and Biological Engineering (BK21 four), and Institute of Chemical Processes, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul 08826, Korea.

Мекеме 2: Institute of Engineering Research, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul 08826, Korea.

Мекеме 3: Materials Research & Engineering Center, Hyundai Motor Company, Uiwang-si, Gyeonggi-do, Republic of Korea.

Булак түрү: arXiv preprint; эсептөөчү материал таануу жана машиналык үйрөнүү изилдөөсү.

arXiv идентификатору: arXiv:2608.27587.

arXiv DOI форматы: 10.48550/arXiv.2608.27587.

arXiv каттоо датасы: 27 Август 2026.

Тармак: Materials Science / cond-mat.mtrl-sci.

Рецензия абалы: Каралган версия preprint. 4 Ноябрь 2026 абалы боюнча өзүнчө рецензияланган журнал версиясы тастыкталган эмес.

Расмий жазуу: arXiv:2608.27587.

Лицензия: Жүктөлгөн негизги PDF текстинде ачык Creative Commons лицензия билдирүүсү көрүнбөйт; булакта жок лицензия классификациясы кошулган эмес.

Тең салым: Негизги PDFте тең салым/тең биринчи авторлук билдирүүсү жок.

Негизги ыкма: CRISP — LLM колдоосундагы химиялык эрежелерди табуу, эрежелерди бириктирүү жана аткарылуучу скаляр descriptor компиляциялоо алкагы.

CRISP кыскартмасы: Негизги PDFте ачык чечмелениши берилген эмес.

Синтезделүү мүмкүнчүлүгү эрежелерин табуу: gpt-4.1-mini-2025-04-14; 1.000 чакыруу; ар бир чакырууда 10 талапкер эреже; жалпы 10.000 табигый тил эрежеси.

Эреже embedding-и: text-embedding-3-large; L2 normalization → PCA → кайра normalization.

Кластерлөө: k-means; 50 cluster; 50 centroid initialization; максимум 1.000 итерация; random seed 42.

Эреже бириктирүү: GPT-5; синтезделүү мүмкүнчүлүгү үчүн 50 өкүл эреже.

Регрессия эреже каталогдору: Түзүлүү энергиясы, жылышуу модулу жана иондук өткөрүмдүүлүк үчүн 25тен эреже үй-бүлөсү.

Descriptor кодун түзүү: gpt-4.1-2025-04-14; temperature=0; ар бир функция бир скаляр floating-point чыгыш чыгарат.

Адам кийлигишүүсү: Код даярдоодо syntax, type, import жана runtime каталарын гана оңдогон execution repair; булак химиялык логика өзгөртүлбөгөнүн билдирет.

Максаттын агып кетишин контролдоо: Descriptor түзүүдө максат маанилерин, target-trained surrogate-тарды жана тапшырма үчүн тыюу салынган түз proxy кириштерди колдонууга жол берилген эмес.

MP30: 100.194 түзүлүш; 38.347 P жана 61.847 U.

MP30 үйрөтүү: 90.174 түзүлүш; 34.512 P жана 55.662 U.

MP30 тест: 10.020 түзүлүш; 3.835 P жана 6.185 U.

Синтезделүү мүмкүнчүлүгү модели: Bagged Positive–Unlabeled Random Forest.

Bag саны: 50.

Ар бир Random Forest: 100 estimator; мындан тышкары scikit-learn демейки жөндөөлөрү.

α: 0,0567; этикеткасыз пулдун ичиндеги болжолдуу жашыруун оң prevalence.

CRISP MP30 жыйынтыгы: TPR=0,855; estimated precision=0,858; F1=0,856.

Түзүлүш өлчөмү transfer: MP30да үйрөтүлгөн моделдер 31–49 site камтыган 23.525 түзүлүштө кайра үйрөтүүсүз бааланган; CRISP F1=0,420.

Химиялык үй-бүлө transfer: Сегиз үй-бүлө leave-one-family-out тартибинде тесттен өткөрүлгөн; CRISP макро F1=0,537; Expert-curated=0,373; exact sign test p=0,0078.

Убакыт контролу: 2022-жылы U болуп, 2026-жылы оң абалга өткөн 334 түзүлүштүн %94,6сында CRISP скоры 0,5тен жогору; талдоо ретроспективдүү.

Feature attribution: Random Forest impurity importance, TreeSHAP, held-out permutation importance жана кайталанган fit талдоолору.

DFT audit топтору: 50 скору жогору белгилүү оң + 50 скору жогору U + 50 скору төмөн U; ар бир түзүлүш үчүн 10 даана %1 coordinate perturbation.

DFT: VASP 5.4.4; PAW; PBE; spin-polarized; 520 eV plane-wave cutoff; Gaussian smearing 0,05 eV; Γ-centered k-point mesh.

DFT чечмелөө чеги: Perturbation–relaxation талдоосу жергиликтүү түзүлүштүк бекемдик менен байланышты изилдейт; синтез кинетикасынын же эксперименттик ишке ашыруунун далили эмес.

Түзүлүү энергиясы маалымат саны: 99.186 түзүлүш.

Түзүлүү энергиясы CRISP: MAE=0,130 eV/atom; R²=0,961.

Түзүлүү энергиясы химиялык үй-бүлө transfer: Макро R²=0,564.

Жылышуу модулу маалымат саны: 10.794 түзүлүш.

Жылышуу модулу чеги: Майда үзгүлтүксүз геометриялык descriptor-лор CRISPтен жакшы көрсөткүч берген; негизги PDF так скорлорду Supporting Informationга багыттайт.

Иондук өткөрүмдүүлүк өнүктүрүү топтому: 503 органикалык эмес катуу электролит; 404 үйрөтүү / 99 тест.

Иондук өткөрүмдүүлүк максаты: log₁₀[σ/(S/cm)].

Иондук өткөрүмдүүлүк CRISP ички тест: MAE=1,229 log бирдик; R²=0,570.

Тышкы иондук өткөрүмдүүлүк когортасы: 150 түзүлүш; өнүктүрүү топтомундагы 503 түзүлүштөн тышкары кол менен түзүлгөн.

CRISP тышкы когорта: MAE=1,170 log бирдик; R²=0,476; Spearman ρ=0,721; тышкы когортада refitting жүргүзүлгөн эмес.

Иондук өткөрүмдүүлүк чеги: 18 тапшырмага өзгөчө эксперттик descriptor контролу CRISPтен жакшы көрсөткүч берген.

Регрессия learner: RandomForestRegressor; 100 дарак; мындан тышкары демейки scikit-learn жөндөөлөрү.

Түзүлүү энергиясы / жылышуу модулу бөлүнүштөрү: Үч GroupShuffleSplit; %20 тест; material identifier grouping; үйрөтүү үлүштөрү %5, %10, %20, %40, %60, %80 жана %100.

Регрессия алдын ала иштетүү: Training data боюнча median imputation жана zero-variance removal.

Регрессия метрикалары: MAE, RMSE, R² жана Spearman ρ.

Маалымат жеткиликтүүлүгү: MP30 кристалл түзүлүштөрү жана тиешелүү metadata Materials Projectтен; 503 түзүлүштүү иондук өткөрүмдүүлүк өнүктүрүү топтому Zenodo DOI 10.5281/zenodo.17157647 аркылуу жеткиликтүү экени билдирилген.

Код жеткиликтүүлүгү: Булак коду, prompt-тар, frozen rule catalogs, executable descriptor functions, үйрөтүү, баалоо жана figure-preparation коддору snu-micc/CRISP GitHub repository-синде жарыяланганы айтылган.

Каржылоо: Hyundai Motor Group.

Кызыкчылыктардын кагылышы: Kyungju Nam, Seung Hyo Noh жана Donghwi Kim Hyundai Motor Company кызматкерлери. Изилдөө Hyundai Motor Group тарабынан колдоого алынган. Башка авторлор competing interest билдирген эмес.

Авторлордун салымы: Jaehwan Choi изилдөөнү долбоорлогон; ыкма жана программалык камсыздоону иштеп чыккан; талдоо, валидация, маалыматтарды курациялоо жана фигураларды жүргүзгөн; биринчи долбоорду жазган. Kunik Jang DFT perturbation–relaxation талдоосун жүргүзгөн, иондук өткөрүмдүүлүк маалымат топтомдорун курациялап жана валидациялап, чечмелөө/жазууга салым кошкон. Seongmin Kim жана Shuan Chen баштапкы изилдөө концепциясын өнүктүрүүгө жана талкууларга салым кошкон. Kyungju Nam, Seung Hyo Noh жана Donghwi Kim долбоор талкууларына катышып, макаланы карап чыгышкан. Yousung Jung долбоорду жетектеген, концептуалдаштыруу жана чечмелөөгө салым кошкон, каржылоону камсыз кылган жана макаланы оңдогон. Бардык авторлор акыркы текстти бекиткен.

Негизги чечмелөө чеги: CRISPтин синтезделүү мүмкүнчүлүгү скоры реалдуу лабораториялык синтез ийгилигинин, кинетикалык жеткиликтүүлүктүн же эксперименттик өндүрүштүн кепилдиги эмес.

Негизги камтуу чеги: Ыкманын артыкчылыгы максатка көз каранды; эксперттик алдын ала билим же жогорку чечилишке ээ геометриялык көрсөтүүлөр үстөм болгон тапшырмалар булакта ачык көрсөтүлгөн.