AI এবং বিশ্বের কঠিন সমস্যাগুলো · রসায়ন ও উপকরণ · arXiv · 2026-10-19

সেমিঅ্যাম্পিরিকাল অরবিটাল চার্জ সহ মাল্টিটাস্ক লার্নিং নমুনা-সাশ্রয়ী MLIP সম্ভব করে

মূল শিরোনাম: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs

MLIP প্রশিক্ষণের জন্য বড় ও ব্যয়বহুল ডেটাসেট প্রয়োজন, এবং পূর্ণ হ্যামিল্টোনিয়ান ম্যাট্রিক্সে প্রশিক্ষণ বড় পরিসরে অসাধ্য। লেখকেরা সস্তা GFN1-xTB পদ্ধতি থেকে প্রাপ্ত অরবিটাল চার্জকে মাল্টিটাস্ক প্রশিক্ষণ লক্ষ্য হিসেবে যোগ করেছেন এবং সেগুলোর পূর্বাভাস দিতে একটি বিশেষায়িত ইকুইভেরিয়ান্ট মডেল ব্যবহার করেছেন। মডেলটি শুধু-শক্তি বেসলাইনের তুলনায় শক্তির ত্রুটি 58% কমায় এবং সেগুলোর সমকক্ষ হতে পাঁচ গুণ কম ডেটা লাগে, আর শক্তি ও বলের যৌথ প্রশিক্ষণের তুলনায়ও শক্তির ত্রুটি 12% কমায়।

মূল লেখা পড়ুন ↗

সব আইটেম →