KI und die schwierigen Probleme der Welt · Chemie & Materialien · arXiv · 2026-10-21
Interpretierbares Meta-Learning für multikriterielle chemische Suche
Originaltitel: Interpretable Meta-Learning for Multi-Objective Chemical Search
Die Autoren präsentieren eine modulare Pipeline, die interpretierbare lineare Meta-Learning-Modelle mit Unsicherheitsquantifizierung auf Basis adaptiver Konfidenz in einem Efficient-Global-Optimization-Framework für die mehrzielige Suche nach Molekülen kombiniert. Meta-gelernte Surrogate, die über chemische Ziele und kostengünstige Hilfseigenschaften hinweg trainiert werden, erwerben übertragbares chemisches Wissen, das sich aus begrenzten Daten schnell an neue Ziele anpasst, und in einer realen groß angelegten Suche nach Spin-Crossover-Metallorganokomplexen schneidet die Baseline im Pareto-Sinne um 78% schlechter ab. Ein adaptiver Konfidenz-Tuning-Algorithmus, der den Kompromiss zwischen Exploration und Exploitation dynamisch neu kalibriert, während die Suche voranschreitet, dominiert darüber hinaus über 50% der statisch kalibrierten Front.