PulseAugur
中
实时 13:54:56
English(EN) Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs

新的MLIP方法使用轨道电荷提高准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的机器学习原子间势（MLIP）训练方法，该方法显著提高了样本效率和准确性。通过引入半经验轨道电荷，该模型实现了46%的能量平均绝对误差降低，并且比传统的仅能量模型需要少五倍的数据。这种方法在训练过程中使用计算成本低廉的轨道电荷，可以在不牺牲推理效率的情况下开发用于复杂化学系统的准确基础模型。 AI

影响 提高了化学和材料科学领域基础模型开发的准确性和数据效率。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的原子间势机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ihor Neporozhnii, Sjoerd Hoogland, Oleksandr Voznyy ·

    Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs

    arXiv:2605.24073v1 Announce Type: cross Abstract: Machine learning interatomic potentials (MLIPs) require generating computationally expensive, large-scale training datasets to accurately simulate materials and molecules. Incorporating electronic structure information using multi…

相关实体

相关话题