Multifidelity Machine Learning

新型自适应机器学习框架大幅降低量子化学数据成本

研究人员开发了一种新的即时多保真度机器学习框架，旨在优化量子化学计算的数据生成。这种自适应方法动态地选择不同保真度级别的训练样本，优先处理低成本数据，直到模型精度最大化，然后再转向更昂贵的高保真度数据。与现有方法相比，该自适应框架显著降低了数据生成成本，在单保真度方法上实现了高达30倍的改进，在标准多保真度方法上实现了5倍的改进，为该领域更高效、更具成本意识的机器学习铺平了道路。