AI 與世界的難題 · 化學與材料 · arXiv · 2026-10-21
用於多目標化學搜尋的可解釋後設學習
原標題: Interpretable Meta-Learning for Multi-Objective Chemical Search
作者提出一套模組化流程，將可解釋的線性元學習模型與具自適應信賴度的不確定性量化結合於高效率全域最佳化框架中，以進行多目標分子發現。跨化學目標與廉價輔助性質訓練而成的元學習代理模型，能習得可遷移的化學知識，僅憑有限的資料即可快速適應新目標；而在針對自旋交叉金屬有機錯合物的真實大規模搜尋中，基準模型在Pareto意義下的表現差了78%。一種自適應信賴度調校演算法會隨著搜尋演進動態重新校準探索與利用之間的權衡，進而支配了靜態校準前沿中超過50%的部分。