La IA y los problemas difíciles del mundo · Química y materiales · arXiv · 2026-10-19
El aprendizaje multitarea con cargas orbitales semiempíricas permite MLIP eficientes en el uso de muestras
Título original: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
El entrenamiento de MLIP requiere conjuntos de datos grandes y costosos, y entrenar con matrices hamiltonianas completas es inviable a gran escala. Los autores añaden las cargas orbitales del económico método GFN1-xTB como objetivo de entrenamiento multitarea, utilizando un modelo equivariante especializado para predecirlas. El modelo reduce el error de energía en un 58% respecto a las líneas base entrenadas solo con energía y necesita cinco veces menos datos para igualarlas, y aun así reduce el error de energía en un 12% frente al entrenamiento conjunto de energía y fuerzas.