探索新的掺杂材料对于提高半导体的性能，效率和多功能性至关重要。perovskites具有多种结构和可调性，已成为下一代半导体的有前途的候选人。机器学习潜力（MLP）在有效预测散装材料的材料特性方面表现出了巨大的希望。然而，缺乏用于钙壶的全面掺杂数据集阻碍了数据驱动技术在该域中进行高通量筛选和材料发现的应用。在这项工作中，我们提出了一个掺杂数据集“ perovs-opant”，其中包含来自438个不同掺杂的钙钛矿材料宽松轨迹的20,000多个密度功能理论（DFT）数据点。使用perovs-opants，我们评估了在散装材料轨迹上预先介绍的基础模型MACE-MP，以标记最先进的MLP的性能。我们的结果表明，尽管MACE-MP在散装晶体上表现出色，但Perovs-opants代表了分布的挑战，并具有重大的预测错误。我们通过对MACE-MP进行填充以实现佩洛斯型和原始散装晶体的比较建模来赎回这些效果。