ИИ и сложнейшие проблемы мира · Химия и материалы · arXiv · 2026-10-19
Многозадачное обучение с полуэмпирическими орбитальными зарядами позволяет создавать МЛМП, эффективные по числу образцов
Оригинальное название: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
Обучение MLIP требует больших и дорогих наборов данных, а обучение на полных матрицах гамильтониана невозможно в больших масштабах. Авторы добавляют орбитальные заряды, полученные недорогим методом GFN1-xTB, в качестве мультизадачной целевой переменной обучения, используя для их предсказания специализированную эквивариантную модель. Модель снижает ошибку энергии на 58% по сравнению с базовыми моделями, обученными только на энергии, и требует в пять раз меньше данных для достижения их уровня, а также уменьшает ошибку энергии на 12% по сравнению с совместным обучением на энергиях и силах.