AI na Matatizo Magumu ya Ulimwengu · Kemia na vifaa · arXiv · 2026-10-19
Ujifunzaji wa kazi nyingi kwa chaji za obitali za nusu-empirical huwezesha MLIP zinazotumia sampuli kwa ufanisi
Kichwa asilia: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
Kufunza MLIPs kunahitaji seti kubwa na za gharama kubwa za data, na kufunza kwa matriki kamili za Hamiltonian hakuwezekani kwa kiwango kikubwa. Waandishi wanaongeza chaji za obiti kutoka mbinu ya bei nafuu ya GFN1-xTB kama lengo la mafunzo ya kazi nyingi, wakitumia modeli maalum ya ekivarianti kuzitabiri. Modeli hiyo inapunguza kosa la nishati kwa 58% ikilinganishwa na misingi ya nishati pekee na inahitaji data pungufu mara tano ili kuilingana nayo, na bado inapunguza kosa la nishati kwa 12% ikilinganishwa na mafunzo ya pamoja ya nishati na nguvu.