美国麻省理工学院材料科学与工程系Jeffrey Grossman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。在这项工作中，作者以材料形成焓为例，研究迁移学习（transfer learning）和多精度机器学习（multifidelity learning）对于校正材料形成焓预测的效果。作者发现，机器学习方法校正后的形成焓预测数据（基于PBE泛函）与实验数据的误差仅为~0.06 eV/atom, 显著低于传统修正方法修正后的GGA(PBE)泛函的计算数据（~0.1 eV/atom）和meta-GGA泛函的计算数据（0.08 ~ 0.1 eV/atom）。以此为基础，作者使用机器学习方法校正了Materials Project（MP）数据库中所有基于PBE泛函的形成焓预测，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。此外，利用机器学习的方法，作者也揭示了DFT（PBE泛函）预测形成焓时误差出现的规律。此工作以标题“Calibrating DFT formation enthalpy calculations by multifidelity machine learning”发表在JACS Au上。