AI और दुनिया की कठिन समस्याएँ · रसायन विज्ञान और पदार्थ · arXiv · 2026-10-19

अर्धअनुभवजन्य कक्षीय आवेशों के साथ मल्टीटास्क लर्निंग नमूना-कुशल MLIPs को संभव बनाती है

मूल शीर्षक: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs

MLIPs को प्रशिक्षित करने के लिए बड़े और महँगे डेटासेट चाहिए, और पूर्ण हैमिल्टनियन मैट्रिक्स पर प्रशिक्षण बड़े पैमाने पर अव्यावहारिक है। लेखक सस्ती GFN1-xTB विधि से प्राप्त ऑर्बिटल आवेशों को मल्टीटास्क प्रशिक्षण लक्ष्य के रूप में जोड़ते हैं, और उनका अनुमान लगाने के लिए एक विशेष इक्विवेरिएंट मॉडल का उपयोग करते हैं। यह मॉडल केवल ऊर्जा वाले आधार मॉडलों की तुलना में ऊर्जा त्रुटि को 58% घटाता है और उनकी बराबरी करने के लिए पाँच गुना कम डेटा चाहता है, और संयुक्त ऊर्जा-और-बल प्रशिक्षण की तुलना में भी ऊर्जा त्रुटि को 12% कम करता है।

मूल लेख पढ़ें ↗

सभी आइटम →