AI اور دنیا کے مشکل مسائل · کیمیا اور مواد · arXiv · 2026-10-19

نیم تجرباتی مداری چارجز کے ساتھ ملٹی ٹاسک لرننگ نمونوں کے لحاظ سے کارآمد MLIPs کو ممکن بناتی ہے

اصل عنوان: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs

MLIPs کی تربیت کے لیے بڑے اور مہنگے ڈیٹا سیٹس درکار ہوتے ہیں، اور مکمل ہیملٹونین میٹرکس پر تربیت بڑے پیمانے پر ناقابلِ عمل ہے۔ مصنفین سستے GFN1-xTB طریقے سے حاصل کردہ آربیٹل چارجز کو ملٹی ٹاسک تربیتی ہدف کے طور پر شامل کرتے ہیں، اور انہیں پیش گوئی کرنے کے لیے ایک مخصوص ایکویویرینٹ ماڈل استعمال کرتے ہیں۔ یہ ماڈل صرف توانائی پر مبنی بنیادی ماڈلز کے مقابلے میں توانائی کی غلطی 58% کم کرتا ہے اور ان کے برابر کارکردگی کے لیے پانچ گنا کم ڈیٹا درکار ہوتا ہے، اور توانائی اور قوت کی مشترکہ تربیت کے مقابلے میں بھی توانائی کی غلطی 12% کم کرتا ہے۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →