虽然传统墨水显示器中的彩色像素的几何形状是由微小的液体单元的形状定义的，北京但元表面的彩色像素可以被设计成任意的形状，北京并提供衍射限制的分辨率。

为了缓解这一问题，火山近年来许多学者提出了各种不同的对于计算数据的校正方案，火山但是这些现有的校正方案一方面仍存在较大误差，另一方面往往只能用于特定材料体系，很难作用于所有材料。动力一个典型的例子是Mn-Sn合金体系。

对于元素周期表右侧的非金属元素而言，网络右上角的元素往往使DFT低估材料的形成焓，而左下角的元素往往使DFT高估材料的形成焓。技术图三：重新评估材料稳定性。本文主要使用三种模型来实现迁移学习与多精度机器学习：有限随机森林(RF)，ROOST和CGCNN。

基于此，公司作者利用机器学习校正的形成焓重新计算了MP数据库中所有材料的energyabovehull。基于这三种模型，北京作者测试了一系列策略：直接学习实验值（exp.），学习差值(diff.)，把DFT数据作为特征输入模型（dft.），以及迁移学习（trans.）。

然而，火山现有的材料计算模拟方法很难兼顾计算速度与准确度：火山计算速度较快的方法得到的结果往往与实验测量有较大的误差，而计算误差较小的方法往往速度较慢，以至于无法大规模应用。

根据图二，动力作者发现，动力对于现有的形成焓数据集而言，最优的模型与策略是使用随机森林模型来学习实验与DFT之间的差值，同时把DFT数据作为输入特征。根据图二，网络作者发现，网络对于现有的形成焓数据集而言，最优的模型与策略是使用随机森林模型来学习实验与DFT之间的差值，同时把DFT数据作为输入特征。

以此为基础，技术作者使用机器学习方法校正了MaterialsProject（MP）数据库中所有基于PBE泛函的形成焓预测，技术重新审视了MP数据库中记录的材料的稳定性预测，并发现了一系列在MP数据库中稳定性可能被低估了的材料。【成果简介】为了克服这一问题，有限美国麻省理工学院材料科学与工程系JeffreyGrossman课题组提出使用机器学习方法来校正密度泛函理论（DFT）的计算数据。

公司图二：不同机器学习模型之间的比较。在MP数据库中，北京Mn-Sn之间没有稳定的金属间化合物，而实验上有一系列的稳定金属间化合物，例如Mn3Sn,Mn3Sn2和MnSn2。