The budding field of materials informatics has coincided with a shift towards artificial intelligence to discover new solid-state compounds. The steady expansion of repositories for crystallographic and computational data has set the stage for developing data-driven models capable of predicting a bevy of physical properties. Machine learning methods, in particular, have already shown the ability to identify materials with near ideal properties for energy-related applications by screening crystal structure databases. However, examples of the data-guided discovery of entirely new, never-before-reported compounds remain limited. The critical step for determining if an unknown compound is synthetically accessible is obtaining the formation energy and constructing the associated convex hull. Fortunately, this information has become widely available through density functional theory (DFT) data repositories to the point that they can be used to develop machine learning models. In this Review, we discuss the specific design choices for developing a machine learning model capable of predicting formation energy, including the thermodynamic quantities governing material stability. We investigate several models presented in the literature that cover various possible architectures and feature sets and find that they have succeeded in uncovering new DFT-stable compounds and directing materials synthesis. To expand access to machine learning models for synthetic solid-state chemists, we additionally present MatLearn. This web-based application is intended to guide the exploration of a composition diagram towards regions likely to contain thermodynamically accessible inorganic compounds. Finally, we discuss the future of machine-learned formation energy and highlight the opportunities for improved predictive power toward the synthetic realization of new energy-related materials.

材料信息学的萌芽领域恰逢转向人工智能以发现新的固态化合物。晶体学和计算数据存储库的稳步扩展为开发能够预测一系列物理特性的数据驱动模型奠定了基础。特别是机器学习方法已经显示出通过筛选晶体结构数据库来识别具有近乎理想特性的材料的能力，用于与能源相关的应用。然而，在数据指导下发现全新的、以前从未报道过的化合物的例子仍然有限。确定未知化合物是否可合成获取的关键步骤是获取地层能量并构建相关的凸包。幸运的是，通过密度泛函理论 (DFT) 数据存储库，这些信息已变得广泛可用，以至于它们可用于开发机器学习模型。在这篇评论中，我们讨论了开发能够预测形成能的机器学习模型的具体设计选择，包括控制材料稳定性的热力学量。我们调查了文献中介绍的几种模型，这些模型涵盖了各种可能的架构和特征集，并发现它们已经成功地发现了新的 DFT 稳定化合物和指导材料合成。为了扩大合成固态化学家对机器学习模型的访问，我们另外提出 我们讨论了开发能够预测形成能的机器学习模型的具体设计选择，包括控制材料稳定性的热力学量。我们调查了文献中介绍的几种模型，这些模型涵盖了各种可能的架构和特征集，并发现它们已经成功地发现了新的 DFT 稳定化合物和指导材料合成。为了扩大合成固态化学家对机器学习模型的访问，我们另外提出 我们讨论了开发能够预测形成能的机器学习模型的具体设计选择，包括控制材料稳定性的热力学量。我们调查了文献中介绍的几种模型，这些模型涵盖了各种可能的架构和特征集，并发现它们已经成功地发现了新的 DFT 稳定化合物和指导材料合成。为了扩大合成固态化学家对机器学习模型的访问，我们另外提出 我们调查了文献中介绍的几种模型，这些模型涵盖了各种可能的架构和特征集，并发现它们已经成功地发现了新的 DFT 稳定化合物和指导材料合成。为了扩大合成固态化学家对机器学习模型的访问，我们另外提出 我们调查了文献中介绍的几种模型，这些模型涵盖了各种可能的架构和特征集，并发现它们已经成功地发现了新的 DFT 稳定化合物和指导材料合成。为了扩大合成固态化学家对机器学习模型的访问，我们另外提出垫学习。这个基于网络的应用程序旨在指导对可能包含热力学可及的无机化合物的区域的组成图的探索。最后，我们讨论了机器学习形成能量的未来，并强调了提高对新能源相关材料合成实现预测能力的机会。