跳到正文
热点事件持续更新

arXiv新论文：半经验轨道电荷大幅提升MLIP样本效率

1 篇报道1 个报道来源7 小时前更新

先了解这件事

AI 综述

2026年10月15日，Ihor Neporozhnii等人发表arXiv论文（v2版），提出一种利用半经验GFN1-xTB轨道电荷进行多任务学习的方法，以提升机器间力场（MLIP）的样本效率。 该方法在训练阶段引入轨道电荷，相比仅使用能量的基线模型，能量平均绝对误差降低58%，所需训练数据减少5倍；在能量-力联合训练基线下，误差仍可降低12%。该方法仅在训练阶段使用轨道电荷，不影响推理效率，为构建数据高效的复杂化学系统基础模型提供了可扩展方案。

AI 根据报道生成 · 4 小时前更新

最新进展10月19日 12:00
基于半经验轨道电荷的多任务学习提升 MLIP 样本效率

报道时间线

沿着报道，了解事件的不同侧面。

10月19日
  1. arXiv · ML
    基于半经验轨道电荷的多任务学习提升 MLIP 样本效率

    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。

本事件热度走势

可比范围当前
8
可比范围峰值
910月19日 16:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。