論文の概要: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs

• arxiv url: http://arxiv.org/abs/2605.24073v1
• Date: Fri, 22 May 2026 14:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.57793
• Title: Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
• Title（参考訳）: 半経験的軌道電荷を用いたマルチタスク学習はサンプル効率のMLIPを実現する
• Authors: Ihor Neporozhnii, Sjoerd Hoogland, Oleksandr Voznyy,
• Abstract要約: 軌道分解半経験電荷を用いたマルチタスク学習は、機械学習の原子間ポテンシャルの標本効率と精度を著しく向上させることを示した。 我々のモデルはエネルギー平均絶対誤差を46%削減し、エネルギーのみのモデルの性能に合わせるために5倍の少ないデータを必要とする。
• 参考スコア（独自算出の注目度）: 13.715688117301385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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 multitask learning improves sample efficiency, however, training on full Hamiltonian matrices, which scale quadratically with the number of atoms, is intractable for large datasets. In this work, we show that multitask learning utilizing orbitally resolved semiempirical charges significantly improves sample efficiency and accuracy in MLIPs. To efficiently predict orbital charges, we implement a specialized equivariant model, reducing charge prediction error compared to an invariant baseline. By augmenting training with computationally inexpensive GFN1-xTB orbital charges, which scale linearly with the number of atoms, our model achieves a 46\% reduction in energy mean absolute error and requires five times less data to match the performance of energy-only models. Furthermore, our approach outperforms models trained on expensive density functional theory (DFT) atomic charges, capturing orbitally resolved electronic complexity and forcing the network to learn a physically accurate latent space that spontaneously clusters metals by shared chemical properties. Because orbital charges are only required during training, this approach preserves inference efficiency, providing a scalable recipe for developing accurate, data-efficient foundation models for complex chemical systems.
• Abstract（参考訳）: 機械学習原子間ポテンシャル(MLIP)は、物質や分子を正確にシミュレートするために、計算に高価で大規模なトレーニングデータセットを生成する必要がある。 マルチタスク学習を用いて電子構造情報を組み込むことでサンプル効率が向上するが、原子数と2次にスケールするフルハミルトン行列のトレーニングは、大規模なデータセットでは難解である。 本研究では,軌道分解半経験電荷を用いたマルチタスク学習がMLIPの標本効率と精度を著しく向上させることを示す。 軌道電荷を効率よく予測するために, 偏差ベースラインと比較して電荷予測誤差を低減し, 特殊同変モデルを実装した。 計算コストの安いGFN1-xTB軌道電荷を用いたトレーニングを、原子数と線形にスケールするので、エネルギー平均絶対誤差の46倍の削減を実現し、エネルギーのみのモデルの性能に合わせた5倍のデータを要求される。 さらに、我々は、高密度機能理論(DFT)原子電荷で訓練されたモデルより優れており、軌道分解された電子的複雑さを捉え、共有化学的性質により金属を自発的にクラスターする物理的に正確な潜伏空間を学習せざるを得ない。 軌道電荷は訓練中にのみ必要とされるため、この手法は推論効率を保ち、複雑な化学系の正確なデータ効率の基礎モデルを開発するためのスケーラブルなレシピを提供する。

関連論文リスト

• Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning [0.0]
  本稿では,GNN-MLIPのデータ効率を大幅に向上するトランスファー学習フレームワークであるTransfer-PaiNNを紹介する。 我々は,T-PaiNNの自動調整が気相分子系と凝縮相液水の両方に与える影響を実証した。 例えば、QM9データセットを用いて、低データ状態では最大25倍の誤差低減が観測され、一方、液体水シミュレーションではエネルギー、力、密度、拡散などの実験的特性の予測が改善された。
  論文  参考訳（メタデータ） (2026-03-25T19:22:56Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Physical Consistency Bridges Heterogeneous Data in Molecular Multi-Task Learning [79.75718786477638]
  我々は、それらを接続する物理法則が存在する分子的タスクの専門性を生かし、整合性トレーニングアプローチを設計する。 より正確なエネルギーデータにより、構造予測の精度が向上することを示した。 また、整合性トレーニングは、構造予測を改善するために、力と非平衡構造データを直接活用できることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T03:11:33Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning [5.4875371069660925]
  基底状態電子密度 -- コーン・シャム密度汎関数理論(KS-DFT)シミュレーションで得られる -- は、豊富な物質情報を含んでいる。 しかし、KS-DFTの計算コストは、トレーニングデータ生成を妨害する傾向にあるシステムサイズと3倍にスケールする。 ここでは,この基本的課題に,移動学習を用いて学習データのマルチスケールな性質を活用する。
  論文  参考訳（メタデータ） (2023-08-24T21:41:29Z)
• Transfer learning for chemically accurate interatomic neural network potentials [0.0]
  密度汎関数計算から得られたデータに基づいてネットワークパラメータを事前学習することにより、より正確なab-initioデータに基づいてトレーニングされたモデルのサンプル効率が向上することを示す。 ANI-1x および ANI-1ccx データセット上で事前訓練および微調整されたGM-NN電位を提供する。
  論文  参考訳（メタデータ） (2022-12-07T19:21:01Z)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。