更正：超越训练数据：基本特征如何提升基于机器学习的形成能预测能力

《Digital Discovery》：Correction: Beyond training data: how elemental features enhance ML-based formation energy predictions

该文更正了原版《Digital Discovery》中2025年第4卷第2972-2982页的论文，补充了DOI链接至Mendeley仓库的代码、脚本和数据，并提供了更新后的数据可用性声明和DOI信息，以解决原文数据声明缺失的问题。

　　

对 Hamed Mahdavi 等人发表在《Digital Discovery》2025 年第 4 期（第 2972–2982 页）的文章《Beyond training data: how elemental features enhance ML-based formation energy predictions》的更正：https://doi.org/10.1039/D5DD00182J。

在文章的原始版本中，数据可用性声明中未提供指向存储在 Mendeley 仓库中的代码、相关脚本和数据的 DOI 链接。更新后的数据可用性声明可在此处找到。

数据可用性

我们的实验使用了 Matbench v0.1 测试套件，该套件可通过 Matminer（https://url.uk.mmimecastprotect.com/s/Tp92CK1VQF4zm16uMf1u5fpWW?domain=hackingmaterials.lbl.gov）Python 库公开获取。实验的完整实现（包括代码、脚本和数据）可在论文的 Mendeley 仓库中找到：https://doi.org/10.17632/n3cwj2hb7w.2。

可以获取补充信息。详见 DOI：https://doi.org/10.1039/d5dd00182j。

英国皇家化学会对这些错误以及由此给作者和读者带来的不便表示歉意。