الذكاء الاصطناعي ومشكلات العالم الصعبة · الكيمياء والمواد · arXiv · 2026-10-19

يتيح التعلّم متعدد المهام باستخدام الشحنات المداريّة شبه التجريبية بناء MLIPs فعّالة في استخدام العيّنات

العنوان الأصلي: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs

يتطلب تدريب جهود التعلّم الآلي البينذرية (MLIPs) مجموعات بيانات كبيرة ومكلفة، كما أن التدريب على مصفوفات هاميلتونيان الكاملة غير عملي على نطاق واسع. يضيف المؤلفون الشحنات المدارية المحسوبة بطريقة GFN1-xTB منخفضة التكلفة كهدف تدريب متعدد المهام، باستخدام نموذج متخصص متكافئ التغاير للتنبؤ بها. يقلل النموذج خطأ الطاقة بنسبة 58% مقارنةً بالنماذج المرجعية التي تتدرب على الطاقة فقط، ويحتاج إلى بيانات أقل بخمس مرات لمضاهاتها، كما يخفض خطأ الطاقة بنسبة 12% مقارنةً بالتدريب المشترك على الطاقة والقوى.

اقرأ المصدر الأصلي ↗

جميع العناصر →