多任务方法用于从异质数据中预测分子性质

科学领域:

• 计算化学的计算化学
• 机器学习在化学中的应用
• 量子化学 是一个量子化学.

背景情况:

• 产生准确的分子性质数据是训练预测模型的一个重大挑战.
• 现有的方法通常需要大量的高保真数据,从而增加计算成本.
• 替代模型对于加速分子性质预测至关重要.

研究的目的:

• 为了证明多任务高斯过程回归可以克服数据生成瓶.
• 为了利用昂贵的 (合集群) 和廉价的 (密度函数理论) 数据来源.
• 为了降低生成分子性质预测模型的训练数据的成本.

主要方法:

• 采用多任务高斯过程回归来整合来自合集群 (CC) 和密度函数理论 (DFT) 计算的数据.
• 构建的训练集结合异质的DFT交换-关联函数,没有人工精度等级.
• 将多任务框架与基于 Δ-learning 的现有内核方法进行了比较.

主要成果:

• 在使用多任务替代器的预测中实现了合集群 (CC) 级准确性.
• 与传统方法相比,数据生成成本减少了一个数量级以上.
• 证明多任务回归可以容纳多样化的训练集结构,包括不同级别的数据保真性.

结论:

• 多任务高斯过程回归有效地降低了用于分子性质预测的数据生成成本.
• 该方法通过高效地利用异质和多忠度数据,实现了高预测准确度.
• 这种方法提供了一个强大的工具,通过利用现有的数据源来加速计算化学研究.