KI und die schwierigen Probleme der Welt · Chemie & Materialien · arXiv · 2026-10-19
Multitask-Lernen mit semiempirischen Orbitalladungen ermöglicht stichprobeneffiziente MLIPs
Originaltitel: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
Das Training von MLIPs erfordert große, teure Datensätze, und das Training auf vollständigen Hamilton-Matrizen ist in großem Maßstab nicht praktikabel. Die Autoren fügen Orbitalladungen aus der kostengünstigen GFN1-xTB-Methode als Multitask-Trainingsziel hinzu und verwenden ein spezialisiertes äquivariantes Modell, um sie vorherzusagen. Das Modell senkt den Energiefehler um 58 % gegenüber Baselines, die nur Energien nutzen, benötigt fünfmal weniger Daten, um mit ihnen gleichzuziehen, und verringert den Energiefehler im Vergleich zum gemeinsamen Training auf Energie und Kräfte immer noch um 12 %.