Amélioration de la généralisation dans la prédiction de la synthétisabilité de matériaux structurellement dissemblables

Malgré les avancées dans la conception computationnelle, un écart persiste entre les prédictions théoriques et la synthétisabilité expérimentale. Bien que les modèles semi-supervisés basés sur les données offrent une alternative prometteuse aux estimations de stabilité thermodynamique pour la prédiction de la synthétisabilité, leurs limitations inhérentes restent peu explorées. Dans ce travail, nous étudions systématiquement les limites de ces modèles en évaluant les variations de performance sous diverses manipulations de données ─ en particulier les suppressions de cas aléatoires, structurellement similaires, et dissemblables. En comparant ces résultats avec des estimations basées sur la thermodynamique, nous quantifions comment la similarité structurelle dicte l'efficacité du modèle, en particulier pour les matériaux nouvellement synthétisés. Nos résultats révèlent une dépendance significative à la similarité dans les cadres actuels. Pour y remédier, nous démontrons que l'incorporation de propriétés matérielles complémentaires peut atténuer partiellement ce biais, améliorant significativement le rappel pour les matériaux structurellement dissemblables et fournissant une voie plus robuste pour la prédiction de la synthétisabilité inorganique.