L'IA face aux grands problèmes du monde · Chimie et matériaux · arXiv · 2026-10-21
Méta-apprentissage interprétable pour la recherche chimique multi-objectif
Titre original: Interpretable Meta-Learning for Multi-Objective Chemical Search
Les auteurs présentent un pipeline modulaire qui combine des modèles de méta-apprentissage linéaires et interprétables avec une quantification d'incertitude à confiance adaptative dans un cadre d'Efficient Global Optimization pour la découverte moléculaire multi-objectifs. Les modèles substituts méta-appris, entraînés à travers divers objectifs chimiques et propriétés auxiliaires peu coûteuses, acquièrent des connaissances chimiques transférables qui s'adaptent rapidement à de nouveaux objectifs à partir de données limitées, et dans une véritable recherche à grande échelle de complexes métallo-organiques à transition de spin, la référence est 78% moins performante au sens de Pareto. Un algorithme de réglage adaptatif de la confiance, qui recalibre dynamiquement le compromis exploration-exploitation à mesure que la recherche évolue, domine en outre plus de 50% du front calibré statiquement.