L'IA face aux grands problèmes du monde · Chimie et matériaux · arXiv · 2026-10-19
L'apprentissage multitâche avec des charges orbitales semi-empiriques permet des MLIP efficaces en échantillons
Titre original: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
L'entraînement des MLIP nécessite de grands jeux de données coûteux, et l'entraînement sur les matrices hamiltoniennes complètes est impraticable à grande échelle. Les auteurs ajoutent les charges orbitalaires issues de la méthode peu coûteuse GFN1-xTB comme cible d'entraînement multitâche, en utilisant un modèle équivariant spécialisé pour les prédire. Le modèle réduit l'erreur sur l'énergie de 58 % par rapport aux références entraînées uniquement sur l'énergie et nécessite cinq fois moins de données pour les égaler, et il réduit encore l'erreur sur l'énergie de 12 % par rapport à un entraînement conjoint sur l'énergie et les forces.