arXiv · ML· Ihor Neporozhnii, Sjoerd Hoogland, Oleksandr Voznyy·· 8 小时前AI 评分28
基于半经验轨道电荷的多任务学习提升 MLIP 样本效率
Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
AI 导读
利用半经验 GFN1-xTB 轨道电荷进行多任务学习，可显著提升 MLIP 的样本效率与预测精度。 该模型相比仅使用能量基线，将能量平均绝对误差降低 58%，并减少 5 倍训练数据需求；在能量-力联合训练基线下仍降低 12% 误差。 此方法仅在训练阶段需要轨道电荷，保持推理效率，为构建数据高效的复杂化学系统基础模型提供可扩展方案。
来源：arXiv · ML · arxiv.org