AI 與世界的難題 · 化學與材料 · arXiv · 2026-10-19
運用半經驗軌域電荷的多任務學習可實現具樣本效率的機器學習原子間位能
原標題: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
訓練 MLIP 需要龐大且昂貴的資料集，而以完整哈密頓矩陣進行訓練在大規模下並不可行。作者將低成本的 GFN1-xTB 方法所得的軌域電荷加入，作為多任務訓練目標，並使用專門的等變模型來預測這些電荷。相較於僅使用能量的基準模型，該模型將能量誤差降低 58%，且所需資料量僅為五分之一即可達到相同表現；與能量加力的聯合訓練相比，能量誤差仍可再降低 12%。