AI与世界难题 · 化学与材料 · arXiv · 2026-10-19
利用半经验轨道电荷的多任务学习实现样本高效的机器学习原子间势
原标题: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
训练MLIP需要庞大且昂贵的数据集，而在完整哈密顿矩阵上训练在大规模下难以实现。作者将廉价的GFN1-xTB方法给出的轨道电荷作为多任务训练目标加入，并使用一种专门的等变模型来预测这些电荷。相对于仅使用能量的基线，该模型将能量误差降低了58%，只需五分之一的数据即可达到相同水平；与能量和力联合训练相比，它仍能将能量误差降低12%。